一种深度学习方法,以提高双光子血管成像的速度
Annie Zhou1, Samuel A Mihelic1, Shaun A Engelmann1
1Department of Biomedical Engineering, The University of Texas at Austin, 107 W. Dean Keeton C0800, Austin, TX 78712, USA.
Bioengineering (Basel, Switzerland)
|February 23, 2024
概括
我们开发了一种快速的人工智能算法,使用多光子光显微镜 (MPF) 改进大脑血管的3D成像. 这种方法显著加快图像获取速度,使得在临床前模型中更好地跟踪神经血管疾病的进展.
科学领域:
- 神经科学是一个神经科学.
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
背景情况:
- 多光子光显微镜 (MPF) 可实现大脑血管结构的高分辨率成像,用于跟踪神经血管疾病.
- 传统的MPF耗时,限制了慢性研究的样本大小.
- 获得配对的低分辨率和高分辨率图像用于训练AI模型是具有挑战性的.
研究的目的:
- 开发一种基于人工智能的快速方法,用于升级低分辨率的MPF图像.
- 为了实现血管网络的高效3D重建和分析.
- 证明半合成数据在MPF中训练AI模型的实用性.
主要方法:
- 一个卷积神经网络 (PSSR Res-U-Net) 用于图像升级.
- 为了3D重建,采用了没有细分的向量化过程.
- 半合成训练数据被用来训练AI模型.
主要成果:
- 人工智能算法显著减少了MPF成像时间的多达四倍.
- 该方法成功地从升级图像中重建和分析3D血管网络.
- 这种方法可以在不同的成像深度和小鼠模型中的疾病状态中进行概括.
- 使用半合成数据可以与使用真实图像对产生类似的结果.
结论:
- 这种人工智能驱动的方法加速MPF成像用于神经血管研究.
- 该方法有助于对神经血管疾病进行更广泛的临床前研究.
- 半合成数据的使用为训练AI在具有挑战性的成像场景中提供了实际解决方案.


