在动态凝结过程中血滴的三维形态表征
Yao Li1, Wangbiao Li1, Xiaoman Zhang1
1Key Laboratory of Optoelectronic Science and Technology for Medicine, Ministry of Education, Fujian Provincial Key Laboratory of Photonics Technology, Fujian Provincial Engineering Technology Research Center of Photoelectric Sensing Application, College of Photonic and Electronic Engineering, Fujian Normal University, Fuzhou, Fujian, China.
这项研究使用光连贯断层扫描 (OCT) 和AI (U-Net,VGG-Net) 来追踪血液凝结. 人工智能准确地识别了血液阶段,并量化了变化,显示了临床诊断的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 血液凝固是一个复杂的过程,对血液静止至关重要.
- 准确,定量监测凝血对于临床诊断至关重要.
- 目前的方法可能缺乏实时分析所需的精度和动态范围.
研究的目的:
- 开发和验证人工智能驱动的全血凝固定量表征的方法.
- 将光学连贯性断层扫描 (OCT) 与深度学习框架 (U-Net,VGG-Net) 整合起来.
- 评估拟议方法的准确性和细分能力.
主要方法:
- 使用一个卷积神经网络,将OCT成像与U-Net和VGG-Net架构集成.
- 采用VGG-Net用于识别不同凝血阶段 (滴,凝,凝血) 的血滴.
- 应用U-Net用于细分未凝固的,凝固的血液部分,以及背景.
主要成果:
- 在凝血过程中,VGG-Net在识别血滴时达到高达99%的准确性.
- U-Net有效地对不同血液状态和背景进行了细分,从而实现了精确的体积测量.
- 像未凝固和凝固的细分体积这样的定量参数被成功推导出来.
结论:
- 综合的OCT和深度学习方法提供了血液凝固的准确,定量表征.
- 这种方法显示了未来临床诊断和实时血静分析的巨大潜力.
- 由人工智能驱动的图像分析为了解凝血等动态生物过程提供了有前途的工具.
更多相关视频
10:25Microfluidic Flow Chambers Using Reconstituted Blood to Model Hemostasis and Platelet Transfusion In Vitro
Published on: March 19, 2016
09:38A Microfluidic Flow Chamber Model for Platelet Transfusion and Hemostasis Measures Platelet Deposition and Fibrin Formation in Real-time
Published on: February 14, 2017
