通过对抗性学习改善微血管大脑分析,用于OCT-TPM血管域翻译
Nadia Badawi1, Jaloliddin Rustamov1, Zahiriddin Rustamov1
1Department of Computer Science and Software Engineering, United Arab Emirates University, Al Ain, UAE.
Scientific reports
|July 11, 2025
概括
生成式对抗式学习从光学一致性断层扫描 (OCT) 数据中创建高质量的微血管图像. 这种方法提高了只有OCT可用的脑血流分析,改善了血管网络的理解.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 医疗成像医学成像
背景情况:
- 微观脑血管网络建模对于理解脑血流和氧气运输至关重要.
- 光学连贯断层扫描 (OCT) 和双光子显微镜 (TPM) 是微血管分析的关键成像方式.
- TPM提供了优越的本地化和图像质量,但受限于染料泄漏问题,与OCT不同.
研究的目的:
- 开发一种方法,使用生成式对抗性学习从OCT血管数据中生成高质量的TPM类血管图.
- 为了比较2D和3DCycleGAN模型在从OCT重建血管结构中的有效性.
- 为了评估产生的血管结构的图像质量和拓准确性.
主要方法:
- 利用生成式对抗式学习,特别是2D和3DCycleGAN,在未配对的OCT和TPM血管图像数据集上进行训练.
- 根据图像相似性和信号与噪音比率评估生成的TPM血管图.
- 在细分和模型提取后评估生成的血管网络的3D拓准确性.
主要成果:
- 与3D模型相比,2D CycleGAN模型实现了更高的图像质量.
- 3D CycleGAN模型在准确生成血管网络特征和拓学方面表现出一致的优越性.
- 生成性方法成功地从OCT数据中产生了高质量的TPM血管图.
结论:
- 生成式对抗式学习提供了一种可行的方法,可以通过海外国家和地区的数据来增强血管分析,特别是当TPM不切实际时.
- 3D CycleGAN 模型更有效地保留了脑血管网络复杂的拓特征.
- 这种技术为神经科学和生物医学研究中详细的血管分析提供了有价值的补充方法.
