空间频域循环中的双通道GAN用于对跨皮层血管结构和功能的感知增强
Yuwei Du1, Dongyu Li2, Zhengwu Hu1
1Britton Chance Center for Biomedical Photonics - MoE Key Laboratory for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics - Advanced Biomedical Imaging Facility, Huazhong University of Science and Technology, Wuhan, 430074, China.
Computers in biology and medicine
|April 3, 2024
概括
一种新的深度学习方法,空间频域CycleGAN (SF-CycleGAN),增强了激光光斑对比成像 (LSCI) 的非侵入性脑血流观察. 这种技术可以在没有手术的情况下提高图像质量和精度,有助于了解大脑病理.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 激光光斑对比成像 (LSCI) 对于观察皮质血管结构和功能至关重要.
- 传统的开头骨技术会引起炎症,阻碍准确的观察.
- 现有的跨骨LSCI方法产生的图像质量差,血流映射不准确.
研究的目的:
- 开发一种无监督的深度学习方法,通过完整的头骨来提高LSCI质量.
- 为了实现皮层血流和血管形态的非侵入性,准确的可视化.
- 提高信号噪声比 (SNR) 和动态血流测量的可靠性.
主要方法:
- 开发了空间频域CycleGAN (SF-CycleGAN) 的双通道,这是一个无监督的深度学习模型.
- 应用SF-CycleGAN来增强跨骨LSCI图像,而无需进行骨切割.
- 验证了该方法的性能与现有的无监督技术相比.
主要成果:
- SF-CycleGAN 实现了至少比其他无监督方法高4.13dB的 SNR.
- 该方法成功地成像了完整的皮层血管形态,并使小血管的功能观察成为可能.
- 在不同的成像配置和模式 (包括光成像) 中证明了强度和通用性.
结论:
- SF-CycleGAN为皮层血液流量成像提供了一种方便,非侵入性和有效的方法.
- 该方法在不受干扰的生物环境中提供准确的动态血流映射.
- SF-CycleGAN代表了对研究大脑病理的非侵入性研究的重大进步.
