通过可通用深度学习的双光子显微镜对大脑血管结构的解剖建模
Waleed Tahir1, Sreekanth Kura2, Jiabei Zhu1
1Department of Electrical and Computer Engineering, Boston University, Boston, MA, USA.
BME frontiers
|October 18, 2023
概括
我们开发了一种快速和可通用的深度学习方法,用于从两光子显微镜 (2PM) 图像中对小鼠大脑血管进行细分. 这种技术可以实现高效的大规模神经血管分析和血液动力学建模.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 从双光子显微镜 (2PM) 血管图中精确细分大脑血管结构,对于血液动力学分析和疾病诊断至关重要.
- 当前的深度学习方法通常在不同成像系统的概括性和大数据集的计算效率方面扎.
研究的目的:
- 为准确的2PM血管细分开发一种可泛化和计算效率高的深度学习技术.
- 为了实现大规模的神经血管分析和小鼠大脑的血液动力学建模.
主要方法:
- 一个深度学习框架,利用平衡的二进制交叉损失和总变化规范化.
- 在小鼠大脑的体内血管图表上证明了有效性,其尺寸高达 .
主要成果:
- 从与用于培训的不同2PM显微镜的数据上实现了高质量的细分,而不需要网络调整.
- 与最先进的方法相比,证明了10倍更快的计算 (voxels-segmented-per-second) 和3倍更大的深度覆盖.
结论:
- 开发的框架为大脑血管系统的解剖建模提供了可概括和计算效率高的解决方案.
- 这项工作为未来的血液动力学反应建模和分析提供了前所未有的规模.


