使用深度生成学习对3D微血管光声学图像进行无监督细分
Paul W Sweeney1,2, Lina Hacker1,2, Thierry L Lefebvre1,2
1Cancer Research UK Cambridge Institute, University of Cambridge, Robinson Way, Cambridge, CB2 0RE, UK.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|June 26, 2024
概括
一个新的深度学习模型,VAN-GAN,从光声成像数据准确地分割3D血管网络. 这种无监督的方法减少了手动标签,改善了研究中的血管分析.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 中镜光声学成像 (PAI) 提供高对比度,无标签的血管网络可视化.
- 从PAI数据中精确细分3D血管网络对于理解组织生理学和病理学至关重要.
- 当前的细分方法往往耗时,易出错,需要大量的手动注释.
研究的目的:
- 从PAI数据开发一个无监督的深度学习框架,用于自动化的3D血管网络细分.
- 为了减少在PAI分析中依赖手动注释的基准真相标签.
- 通过学习PAI的物理,创建一个能够细分血管系统的模型.
主要方法:
- 介绍了船舶细分生成对抗网络 (VAN-GAN),这是一个无监督的图像到图像转换模型.
- 将类似于真实解剖学的合成血管网络集成到训练过程中.
- 训练VAN-GAN复制PAI系统的基础物理进行细分.
主要成果:
- VAN-GAN在各种数据集 (in silico,in vitro,in vivo) 中展示了3D血管网络的准确和公正的细分.
- 该模型已成功应用于患者衍生乳腺癌异种移植模型和3D临床血管图.
- 与U-Net (F1分数:0.87) 等监督方法相比,实现了竞争性细分性能 (F1分数:0.84).
结论:
- VAN-GAN提供了一个强大的,无监督的解决方案,用于从PAI数据中对3D血管网络进行细分.
- 使用合成数据和基于物理的学习降低了高质量的血管细分的障碍.
- 这种方法有可能显著提高血管结构和功能的临床前和临床研究.
