A sparse deep learning approach for automatic segmentation of human vasculature in multispectral optoacoustic tomography.
A sparse deep learning approach for automatic segmentation of human vasculature in multispectral optoacoustic tomography.
复制标题
DOI：
10.1016/j.pacs.2020.100203
复制
发表时间：
2020-12
期刊：
影响因子：
7.9
通讯作者：
Marr C
中科院分区：
文献类型：
--
作者：
Chlis NK;Karlas A;Fasoula NA;Kallmayer M;Eckstein HH;Theis FJ;Ntziachristos V;Marr C
多光谱光声断层扫描（MSOT）可解析氧合血红蛋白（HbO 2）和脱氧血红蛋白（Hb），以执行血管成像。由于光与组织的相互作用，MSOT的信号随着深度逐渐衰减：这种效应阻碍了血管的精确手动分割。此外，血管评估需要进行功能测试，这些测试持续几分钟，并记录数千张图像。在这里，我们介绍了一种使用稀疏UNET（S-UNET）的深度学习方法，用于MSOT图像中的自动血管分割，以避免严格且耗时的手动分割。我们在33张图像的测试集上评估了S-UNET，DICE评分中位数为0.88。除了高分割性能外，我们的方法还基于对手头任务具有物理意义的两个波长的决定：850 nm（氧合血红蛋白的峰值吸收）和810 nm（氧合血红蛋白和脱氧血红蛋白的等吸光点）。因此，我们的方法实现了精确的数据驱动的血管分割，用于自动血管评估，并可能进一步推动MSOT向其临床转化。
Multispectral Optoacoustic Tomography (MSOT) resolves oxy- (HbO2) and deoxy-hemoglobin (Hb) to perform vascular imaging. MSOT suffers from gradual signal attenuation with depth due to light-tissue interactions: an effect that hinders the precise manual segmentation of vessels. Furthermore, vascular assessment requires functional tests, which last several minutes and result in recording thousands of images. Here, we introduce a deep learning approach with a sparse-UNET (S-UNET) for automatic vascular segmentation in MSOT images to avoid the rigorous and time-consuming manual segmentation. We evaluated the S-UNET on a test-set of 33 images, achieving a median DICE score of 0.88. Apart from high segmentation performance, our method based its decision on two wavelengths with physical meaning for the task-at-hand: 850 nm (peak absorption of oxy-hemoglobin) and 810 nm (isosbestic point of oxy-and deoxy-hemoglobin). Thus, our approach achieves precise data-driven vascular segmentation for automated vascular assessment and may boost MSOT further towards its clinical translation.
登录
查看更多内容
影响因子：
64.8
作者：
Esteva A;Kuprel B;Novoa RA;Ko J;Swetter SM;Blau HM;Thrun S
通讯作者：
Thrun S
影响因子：
10.9
作者：
Masthoff, Max;Helfen, Anne;Wildgruber, Moritz
通讯作者：
Wildgruber, Moritz
影响因子：
10.6
作者：
Allman D;Reiter A;Bell MAL
通讯作者：
Bell MAL
影响因子：
2.8
作者：
Masthoff, Max;Helfen, Anne;Wildgruber, Moritz
通讯作者：
Wildgruber, Moritz
影响因子：
7.7
作者：
Acharya, U. Rajendra;Oh, Shu Lih;Tan, Ru San
通讯作者：
Tan, Ru San