Vascular Segmentation of Functional Ultrasound Images using Deep Learning
Created by
Haebom
저자
Hana Sebia (AISTROSIGHT), Thomas Guyet (AISTROSIGHT), Mickael Pereira (CERMEP - imagerie du vivant), Marco Valdebenito (CERMEP - imagerie du vivant), Hugues Berry (AISTROSIGHT), Benjamin Vidal (CERMEP - imagerie du vivant, CRNL, UCBL)
개요
본 논문은 기능적 초음파(fUS) 영상의 혈관 분절화를 위한 최초의 심층 학습 기반 도구를 제시한다. fUS는 비침습적이며 높은 시공간 해상도로 뇌혈류량 변화를 측정하지만, 동일한 픽셀 내에서 반대 방향의 혈류 때문에 동맥과 정맥을 구분하는 것이 어렵다. 본 연구는 초음파 국소화 현미경(ULM)의 자동 주석을 기반으로, 다양한 혈관 구획의 신호를 구분할 수 있는 심층 학습 기반 분할 도구를 개발하였다. 쥐 뇌 fUS 영상에 다양한 UNet 아키텍처를 평가하여 100개의 시간 프레임만 사용하여 90%의 정확도, 71%의 F1 점수, 0.59의 IoU를 달성하여 다른 영상 기법의 관상 구조 분할 결과와 비슷한 성능을 보였다. 또한, 안정 상태 데이터로 훈련된 모델은 시각 자극 중 촬영된 영상에도 잘 일반화되는 강건성을 보였다. 이 연구는 ULM에 대한 비침습적이고 비용 효율적인 대안을 제공하여 fUS 데이터 해석을 향상시키고 혈관 기능에 대한 이해를 높인다. 제시된 파이프라인은 예측된 구획과 실제 구획의 신호 간에 높은 선형 상관 계수를 보이며 혈류 역학을 정확하게 포착하는 능력을 보여준다.
시사점, 한계점
•
시사점:
◦
fUS 영상의 혈관 분절화를 위한 최초의 심층 학습 기반 도구 제시.
◦
ULM에 비해 비침습적이고 비용 효율적인 대안 제공.
◦
100개의 시간 프레임만으로도 우수한 분할 성능(90% 정확도, 71% F1 점수, 0.59 IoU) 달성.
