脑血管结构的改变是影响大脑的许多疾病的关键指标。原发性血管病、血管危险因素(如糖尿病)、外伤性脑损伤、血管闭塞和中风都会影响大脑血管网络的功能。
对整个脑血管系统进行定量分析,对于更好地了解生理和病理状态下的脑功能至关重要。然而,由于两个主要原因,对脑血管网络中微米尺度变化的量化一直很困难。
首先,到最小血管的完整小鼠脑血管的标记和成像尚未实现。磁共振成像(MRI)、微计算机断层成像(micro CT)和光学相干断层成像(optical coherence tomography)的分辨率不足以捕获组织中的毛细血管。荧光显微镜提供更高的分辨率,但通常只能应用于厚度达200μm的组织切片。
第二个挑战涉及在不同深度对信号强度和信噪比(SNR)存在显著差异的大型三维成像数据集进行自动分析。在全脑扫描中,简单的基于强度和形状的滤波方法,如Frangi的血管性滤波器和更先进的具有局部空间适应性的图像处理方法,不能可靠地区分血管和背景。
VesSAP包括三个主要步骤:
(2)全脑血管数据的卷积神经网络(CNNs)自动分割与追踪;
(3)将数据配准到艾伦脑图谱后,提取数百个大脑区域的血管特征。如下图所示:
图注:(1) 多染料血管染色和DISCO组织透明,以提高成像质量,使用三维光片显微镜;(2) 基于深度学习的血管三维重建分割;(3) 从Allen成年小鼠脑图谱中提取和绘制整个血管的解剖特征,用于统计分析。
VesSAP data are publicly hosted at http://DISCOtechnologies.org/VesSAP and include original scans and registered atlas data.
VesSAP codes are publicly hosted at http://DISCOtechnologies.org/VesSAP and include the imaging protocol, trained algorithms, training data and a reference set of features describing the vascular network in all brain regions. Additionally, the source code is hosted on GitHub (https://github.com/vessap/vessap) and on the executable platform Code Ocean (https://doi.org/10.24433/CO.1402016.v1). Implementation of external libraries is available on request.
参考文献:
Machine learning analysis of whole mouse brain vasculature
https://doi.org/10.1038/s41592-020-0792-1
作者信息
编译作者: 青佛居士(brainnews创作团队)
校审: Simon(brainnews编辑部)
前 文 阅 读
欢迎加入超过 15000人的
全球最大的华人脑科学社群矩阵
联系客服