使用 512 × 512 SPAD 阵列的双层扩散相关谱分析模型进行深度学习的脑血流监测
Mingliang Pan1, Chenxu Li1, Yuanzhe Zhang1
1University of Strathclyde, Department of Biomedical Engineering, Glasgow, United Kingdom.
Neurophotonics
|August 20, 2025
概括
深度学习加速扩散相关谱 (DCS) 实时脑血流指数 (CBFi) 监测. 这种方法提高了精度和灵敏度,克服了传统神经监测模型的局限性.
科学领域:
- 生物医学光学
- 神经科学
- 医学成像
背景情况:
- 多层扩散相关谱 (DCS) 模型提高脑血流指数 (CBFi) 测量灵敏度,但计算密集.
- 现有的模型由于对参数的依赖和计算负载而难以实时的床边监控.
研究的目的:
- 使用双层分析模型开发一个快速而准确的DCS数据处理方法.
- 能够实时监测大脑输液,提高大脑的灵敏度.
主要方法:
- 使用深度学习 (DL) 加快DCS数据处理,对双层DCS分析模型进行培训.
- 使用SPAD阵列进行噪声估计和蒙特卡洛模拟进行模型验证.
- 与单指数和双层分析方法进行DL性能比较.
主要成果:
- 与传统方法相比,使用DL实现了35mm间隔的实时CBF监测,精度高 (误差为4.1%) 和CBF灵敏度提高 (86.5%).
- 这种方法比单次指数式的方法快750倍,并最大限度地降低了表面血流的影响.
- 在体内测试证实了该方法对实时脑输液监测和脉冲波形恢复的能力.
结论:
- 通过将DL与双层DCS模型集成,可以在不牺牲深度灵敏度的情况下准确地实时监测大脑 perfusion.
- 拟议的方法提高了CBFi的灵敏度和回收精度.
- 支持在未来部署在床边神经监测应用程序.


