使用深度学习对功能超声图像进行血管分割
图像与视频处理
2025-07-24 v2 人工智能
计算机视觉与模式识别
摘要
医学图像分割是一项具有众多应用的基础任务。虽然MRI、CT和PET模态已显著受益于深度学习分割技术，但较新的模态，如功能超声（fUS），进展有限。fUS是一种非侵入性成像方法，能以高时空分辨率测量脑血容量（CBV）的变化。然而，由于同一像素内存在相反的血流方向，在fUS中区分小动脉和小静脉具有挑战性。超声定位显微镜（ULM）可通过追踪微泡造影剂来增强分辨率，但具有侵入性，且缺乏动态CBV量化能力。在本文中，我们介绍了首个基于深度学习的fUS图像分割工具，该工具能够基于ULM自动标注区分来自不同血管区室的信号，并实现动态CBV量化。我们在大鼠脑fUS图像上评估了各种UNet架构，仅使用fUS堆栈中的100个时间帧，就取得了有竞争力的分割性能，准确率达90%，F1分数为71%，IoU为0.59。这些结果与其他成像模态中的管状结构分割结果相当。此外，在静息态数据上训练的模型能很好地泛化到视觉刺激期间捕获的图像，突显了其鲁棒性。这项工作为ULM提供了一种非侵入性、经济高效的替代方案，增强了fUS数据解释并改善了对血管功能的理解。我们的流程显示，在皮层和深层区域，预测与实际腔室的信号之间具有高线性相关系数，展示了其准确捕捉血流动力学的能力。
引用
@article{arxiv.2410.22365,
title = {Vascular Segmentation of Functional Ultrasound Images using Deep Learning},
author = {Hana Sebia and Thomas Guyet and Mickaël Pereira and Marco Valdebenito and Hugues Berry and Benjamin Vidal},
journal= {arXiv preprint arXiv:2410.22365},
year = {2025}
}