机构名称：
¥ 1.0
客观和影响声明。从两光子显微镜（下午2点）的血管分割的大脑血管造影在血液动力学分析和疾病诊断中具有重要的应用。在这里，我们开发了一种可概括的深度学习技术，用于准确2pm从多个下午2点设置获得的小鼠大脑中相当大区域的血管分割。该技术在计算上是有效的，因此非常适合大规模神经血管分析。简介。从下午2点开始血管造影的血管分割是脑血管血液动力学建模的重要第一步。基于深度学习的现有分割方法要么缺乏从不同成像系统中概括数据的能力，要么在大规模血管造影上计算上不可行。在这项工作中，我们通过一种可以推广到各种成像系统的方法来克服这两个局限性，并且能够分割大规模血管造影。方法。我们采用了一个具有损失函数的计算上有效的深度学习框架，该损失函数结合了网络输出的平衡二进制跨性损失和总变化正则化。在从尺寸为808×808×702μm的小鼠大脑中获得的实验获得的体内血管造影中，其效果得到了证明。结果。为了证明我们的框架的卓越概括性，我们从下午2点开始训练数据，并在没有任何网络调整的情况下从不同显微镜中展示了来自不同显微镜的数据的高质量分割。结论。总的来说，与最先进的艺术相比，我们的方法以每秒分段和3×更大的深度来证明10×更快的计算。我们的工作为脑血管系统提供了可概括且计算上有效的解剖建模框架，该框架由深度学习的血管分割组成，然后是图形。它为未来建模和分析血液动力学反应的道路铺平了道路，这是以前无法访问的更大的尺度。
通过可推广的深度学习
主要关键词
相关文件推荐
