基于无标签方法的体外 perfused 微血管网络血管连通性预测
图像与视频处理
2025-02-26 v1 计算机视觉与模式识别
摘要
对微血管连通性的连续监测和原位评估对于培育血管化器官类器官和优化疗法策略具有重要意义。然而，常用的血管连通性评估方法高度依赖荧光标签，可能引发生物相容性问题或中断正常细胞生长过程。为此，开发了血管连通性网络（Vessel Connectivity Network, VC-Net），用于无标签评估血管连通性。为验证 VC-Net，体外培养的微血管网络（MVNs）被用于训练数据集。VC-Net 采用血管队列对比学习（Vessel Queue Contrastive Learning, VQCL）方法和类别不平衡算法，以解决数据集中样本数量有限、类别特征不明显以及类别分布不平衡的问题。VC-Net 成功地以无显著偏差的方式评估了血管连通性，其结果与荧光成像的结果一致。此外，提出的 VC-Net 成功区分了正常与肿瘤相关 MVNs 的血管连通性特征。与常规微环境培养的 MVNs 相比，处于肿瘤相关微环境培养的 MVNs 的平均连通性下降了 30.8%，而未连接区域增加了 37.3%。该研究为无标签且连续评估器官类器官或肿瘤血管化提供了新方法。
引用
@article{arxiv.2502.17759,
title = {Label-free Prediction of Vascular Connectivity in Perfused Microvascular Networks in vitro},
author = {Liang Xu and Pengwu Song and Shilu Zhu and Yang Zhang and Ru Zhang and Zhiyuan Zheng and Qingdong Zhang and Jie Gao and Chen Han and Mingzhai Sun and Peng Yao and Min Ye and Ronald X. Xu},
journal= {arXiv preprint arXiv:2502.17759},
year = {2025}
}