En este artículo, presentamos la primera herramienta basada en aprendizaje profundo para la segmentación vascular en imágenes de ultrasonido funcional (fUS). El fUS es un método no invasivo y de alta resolución espacio-temporal para medir los cambios en el flujo sanguíneo cerebral, pero resulta difícil distinguir arterias y venas debido al flujo sanguíneo opuesto dentro del mismo píxel. En este estudio, desarrollamos una herramienta de segmentación basada en aprendizaje profundo que puede distinguir señales de diversos compartimentos vasculares mediante la anotación automática de microscopía de localización por ultrasonido (ULM). Evaluamos diversas arquitecturas UNet en imágenes fUS de cerebro de rata y logramos una precisión del 90%, una puntuación F1 del 71% y 0,59 IoU utilizando solo 100 marcos temporales, lo cual es comparable a los resultados de la segmentación coronal de otras modalidades de imagen. Además, los modelos entrenados con datos de estado estacionario muestran una generalización robusta a imágenes capturadas durante la estimulación visual. Este estudio proporciona una alternativa no invasiva y rentable al ULM para mejorar la interpretación de los datos fUS y profundizar en nuestra comprensión de la función vascular. La tubería presentada demuestra la capacidad de capturar con precisión la hemodinámica, con altos coeficientes de correlación lineal entre las señales compartimentales previstas y reales.
