论文15 | 深度学习对功能性超声图像进行血管分割案例分析

大脑内的血管如同纵横交错的高速公路，动脉与静脉的血流方向恰似双向车道 —— 动脉向下输送氧气，静脉向上回流代谢废物。若能实时监测这些 “车道” 的动态，对理解脑功能与疾病至关重要。

传统功能性超声（fUS）能以 100μm 的分辨率捕捉脑血流变化，但由于动静脉血流方向相反，在 fUS 中区分小动脉和小静脉颇具挑战性。而更高分辨率的超声定位显微术（ULM）虽能分辨血流方向，却需要注射微泡造影剂，且数据处理耗时，难以应用于实时监测。

法国里昂大学团队最新发表在《Computers in Biology and Medicine》的研究带来了突破性方案：用深度学习教会计算机自动分辨 fUS 图像中的血流方向。其核心创新在于：

① 以 ULM 为 “老师”，自动生成注释

使用 Iconeus V1 超声成像仪器获取 ULM，利用 ULM（分辨率 2μm）获取的血流方向数据（向下为动脉，向上为静脉），通过阈值处理和尺寸筛选，自动生成 fUS 图像的注释标签，避免了繁琐的手动标注。

② UNet 架构升级，捕捉血管 “蛛丝马迹”

测试了 7 种 UNet 变种，从 fUS 图像中提取血管的空间特征与血流方向模式。

③ 仅用 100 帧数据，实现高效分割

传统方法需 3000 帧数据，而模型只需 100 帧 fUS 图像，就能达到 90% 的分割准确率。

ULM 模态

从 ULM 图像构建 fUS 注释

基于深度学习 fUS 图像血管分割结果及其对脑血流信号的解析

使用损失函数对 fUS 图像中向上血流（静脉）的分割预测示例