无需精细标注的高性能激光散斑衬比成像血管分割方法

High-performance laser speckle contrast image vascular segmentation without delicate pseudo-label reliance

Shenglan Yao, Huiling Wu, Suzhong Fu, Shuting Ling, Kun Wang, Hongqin Yang, Yaqin He, Xiaolan Ma, Xiaofeng Ye, Xiaofei Wen, and Qingliang Zhao

https://doi.org/10.1142/S1793545824500159

激光散斑衬比成像（LSCI）作为一种无标记、无创的成像技术，能够实时监测生物组织的微循环状态。然而，由于散斑图像的复杂性和高质量标注数据获取的困难，血管分割一直是该领域的技术瓶颈。近期，厦门大学赵庆亮教授研究团队提出了一种名为LSWDP的弱监督学习方法，通过低质量伪标签进行非匹配训练，无需大量精细标注数据，实现了高性能的血管分割，为临床诊断和研究提供了新的工具。

研究背景

血管形态和血流微循环与生命活动密切相关，其变化常对应于不同的生理和病理状态。LSCI技术通过激光照射生物组织，生成随机干涉图案（散斑），并通过对散斑图案的统计分析估算血流图和组织灌注量。尽管LSCI在多种微循环参数测量中表现出色，但其血管分割能力受限于图像质量和标注数据的复杂性。

研究方法

研究团队提出了一种基于弱监督学习的实时血管分割方法LSWDP。该方法通过HSV阈值分割法代替繁琐的手动标注，利用生成对抗网络（GAN）实现从LSCI图像域到二值分割图像域的风格转换。实验中，团队使用了包含多种风格的兔耳散斑数据集进行模型训练，并在大鼠耳部和脑部数据集上验证了模型的鲁棒性。

主要创新点

• 弱监督学习框架设计：提出了一种鲁棒的弱监督学习模型，无需训练集图像与分割标签一一对应，降低了对标注质量的依赖。
  

• 风格无关的分割模型：通过多风格LSCI血管图像验证，证明了模型在不同类型图像上的高性能和泛化能力。

• 实时高性能分割：模型不仅在训练时表现出色，还能实现实时图像分割和快速批量预测，适用于LSCI实时成像。

应用前景

该研究为LSCI图像的血管分割提供了高效、准确的解决方案，有望在眼科疾病、中风、动脉粥样硬化等疾病的早期诊断和术后随访中发挥重要作用。此外，LSWDP方法的实时性和高性能使其在临床实时血流监测和内窥镜检查中具有广阔的应用前景。

结语

本研究通过LSWDP方法填补了LSCI图像语义分割的空白，证明了在无高质量标签的情况下，通过弱监督学习实现高性能血管分割的可行性。未来，团队计划通过知识蒸馏方法进一步优化模型，提高其在实时成像中的应用能力，推动该技术在临床诊断中的广泛应用。

通讯作者简介

赵庆亮：厦门大学副教授，其课题组紧密围绕"生物医学光学与分子影像"交叉领域，聚焦光学相干层析/血管造影、光声显微、激光微循环及内窥成像理论及仪器研发；光学分子探针与多模态；脑成像及神经调控；人工智能与大数据。更多详情见：https://mitm.xmu.edu.cn/info/1012/2247.htm