Trong bài báo này, chúng tôi trình bày công cụ đầu tiên dựa trên học sâu để phân đoạn mạch máu trong hình ảnh siêu âm chức năng (fUS). fUS là một phương pháp không xâm lấn và có độ phân giải không gian-thời gian cao để đo lường sự thay đổi lưu lượng máu não, nhưng khó phân biệt động mạch và tĩnh mạch do lưu lượng máu ngược nhau trong cùng một điểm ảnh. Trong nghiên cứu này, chúng tôi phát triển một công cụ phân đoạn dựa trên học sâu có thể phân biệt tín hiệu từ các khoang mạch máu khác nhau dựa trên chú thích tự động của kính hiển vi định vị siêu âm (ULM). Chúng tôi đánh giá các kiến trúc UNet khác nhau trên hình ảnh fUS não chuột và đạt được độ chính xác 90%, điểm F1 71% và 0,59 IoU chỉ bằng 100 khung thời gian, tương đương với kết quả phân đoạn vành từ các phương thức hình ảnh khác. Hơn nữa, các mô hình được đào tạo trên dữ liệu trạng thái ổn định cho thấy khả năng khái quát hóa mạnh mẽ đối với hình ảnh được chụp trong quá trình kích thích thị giác. Nghiên cứu này cung cấp một giải pháp thay thế không xâm lấn và tiết kiệm chi phí cho ULM để cải thiện việc giải thích dữ liệu fUS và nâng cao hiểu biết của chúng ta về chức năng mạch máu. Quy trình được trình bày chứng minh khả năng nắm bắt chính xác huyết động học, với hệ số tương quan tuyến tính cao giữa tín hiệu ngăn dự đoán và thực tế.
