功能性超声图像的血管细分使用深度学习

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 生物医学工程 生物医学工程

背景情况:

• 深度学习已经为MRI,CT和PET进行了先进的医学图像细分,但fUS细分仍然有限.
• 功能性超声波 (fUS) 为大脑血液体积 (CBV) 测量提供了高的时空分辨率,但由于像素内相反的流量,它难以区分动脉和血管.
• 超声波定位显微镜 (ULM) 提高了分辨率,但具有侵入性,缺乏动态CBV量化.

研究的目的:

• 开发第一个基于深度学习的对fUS图像的细分,能够区分垂直流动方向 (向上和向下).
• 为了使动态的CBV量化,并提供一个非侵入性代理区分动脉从静脉在皮层血管.
• 使用基于ULM的注释来评估UNet架构的fUS细分.

主要方法:

• 利用基于ULM的自动注释来训练fUS图像上的深度学习模型.
• 评估了各种UNet架构来对来自老鼠大脑的fUS数据进行细分.
• 专注于基于垂直流动方向的细分,以推断船舶类型.

主要成果:

• 使用100个时间实现了90%的准确性,71%的F1得分和0.59 IoU的竞争性细分性能.
• 证明了模型的稳定性,成功地从静止状态到视觉刺激数据的概括.
• 显示了预测和实际信号之间的高线性相关性,表明准确的血液流动动力学捕获.

结论:

• 拟议的深度学习管道为推断fUS成像中的血液流动方向提供了一种实用,非侵入性和具有成本效益的解决方案.
• 这种方法在ULM无法实现的场景中作为一种有价值的替代方案,为血管动力学提供了洞察力.
• 这种方法准确地捕捉了血液流动的动态,为先进的非侵入性神经血管研究铺平了道路.