器官级实例细分使得临床前腹部光声断层扫描图像的持续时间空间频谱分析成为可能

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
• 计算成像技术的成像

背景情况:

• 光声断层扫描 (PAT) 为生物医学成像提供了丰富的时间,空间和光谱数据.
• 精确的器官细分对于PAT图像的定量分析至关重要,但低对比度和模糊边界存在挑战.
• 现有的方法在复杂的PAT数据集中难以精确划分器官.

研究的目的:

• 开发一种自动化的方法来对小鼠PAT图像中的主要腹部器官进行细分.
• 通过利用跨时间,空间和频谱领域的共享结构信息来增强器官划分.
• 通过改进的细分,实现先进的多维器官水平分析.

主要方法:

• 引入一个结构融合增强图形卷积网络 (SFE-GCN).
• 来自跨时间,空间和频谱领域的连续图像序列的信息融合,以增强结构特征.
• 器官的自动细分包括身体,肝脏,脏,脏,血管和脊柱.

主要成果:

• SFE-GCN成功地保留了精细的结构细节,并确保了解剖学上对齐的器官轮.
• 在各种成像场景中对大规模数据集进行验证.
• 在多维器官图像分析中表现出有效性,包括动态形态分析,光流量校正和光谱不混合.

结论:

• SFE-GCN为光声断层扫描图像提供了准确而强大的器官细分.
• 该方法有助于对器官形态和功能进行增强的定量分析.
• 这种方法为生物医学成像研究的先进应用开辟了新的可能性.