
-
生物通官微
陪你抓住生命科技
跳动的脉搏
PAVSAT:一种基于深度学习的分割与图像处理技术,用于自动分析血管
《BMC Bioinformatics》:PAVSAT: an automated blood vessel analysis tool using deep learning-based segmentation and image processing
【字体: 大 中 小 】 时间:2026年06月23日 来源:BMC Bioinformatics 4.4
编辑推荐:
摘要背景准确的血管形态分析对于理解血管系统的发育和病理变化至关重要。尽管先进的成像技术能够快速获取复杂的血管图像,但定量分析方法却未能跟上发展步伐。目前的方法无法准确呈现具有复杂弯曲结构及不同直径的血管,而且现有软件在处理大规模数据集时缺乏高效的自动化功能。研究结果在本研究中,我
准确的血管形态分析对于理解血管系统的发育和病理变化至关重要。尽管先进的成像技术能够快速获取复杂的血管图像,但定量分析方法却未能跟上发展步伐。目前的方法无法准确呈现具有复杂弯曲结构及不同直径的血管,而且现有软件在处理大规模数据集时缺乏高效的自动化功能。
在本研究中,我们开发了PAVSAT(基于Python的自动血管分割分析工具),这是一种通过整合深度学习分割技术、图像处理技术和图论来量化血管结构的自动化计算系统。该系统首先使用在CD31标记的血管结构共聚焦免疫荧光显微镜图像上训练得到的YOLOv8架构进行识别,随后通过骨架化处理提取血管中心线。一种新的分支点检测算法通过分析局部连接模式来识别血管分叉点,并通过沿着局部估算的血管方向进行多次垂直采样,实现细致的、分段式的血管直径测量。为减少在图像拼接边界处的系统性检测误差,我们采用了考虑边界的重叠拼接方案,通过对图像施加空间偏移并合并输出结果,确保每个血管段都在最佳条件下被分析。消融实验表明,这种重叠整合方式大幅减少了未被检测到的血管(在两个独立样本中分别减少了40.5%和81.0%),而假阳性检测率仅略有上升(分别为2.2%和6.3%),显示出灵敏度与特异性之间极为理想的平衡关系。此外,该系统还将血管结构转化为节点和边,以便进行网络分析。通过与专家手动测量的对比验证,该系统的检测率在91%到98%之间,测量精度在手动测量值的10像素范围内可达89%到93%,且自动化测量的直径值与手动测量值之间不存在明显的系统性偏差(平均差异小于0.3像素,配对t检验和Wilcoxon检验的p值均大于0.2),两者一致性也很高(皮尔逊相关系数大于0.94)。
PAVSAT能够成功识别复杂的血管分支结构,测量弯曲血管的直径,并生成适合大规模研究的定量数据,从而为血管生物学、发育机制及病理学研究提供有力支持。
准确的血管形态分析对于理解血管系统的发育和病理变化至关重要。尽管先进的成像技术能够快速获取复杂的血管图像,但定量分析方法却未能跟上发展步伐。目前的方法无法准确呈现具有复杂弯曲结构及不同直径的血管,而且现有软件在处理大规模数据集时缺乏高效的自动化功能。
在本研究中,我们开发了PAVSAT(基于Python的自动血管分割分析工具),这是一种通过整合深度学习分割技术、图像处理技术和图论来量化血管结构的自动化计算系统。该系统首先使用在CD31标记的血管结构共聚焦免疫荧光显微镜图像上训练得到的YOLOv8架构进行识别,随后通过骨架化处理提取血管中心线。一种新的分支点检测算法通过分析局部连接模式来识别血管分叉点,并通过沿着局部估算的血管方向进行多次垂直采样,实现细致的、分段式的血管直径测量。为减少在图像拼接边界处的系统性检测误差,我们采用了考虑边界的重叠拼接方案,通过对图像施加空间偏移并合并输出结果,确保每个血管段都在最佳条件下被分析。消融实验表明,这种重叠整合方式大幅减少了未被检测到的血管(在两个独立样本中分别减少了40.5%和81.0%),而假阳性检测率仅略有上升(分别为2.2%和6.3%),显示出灵敏度与特异性之间极为理想的平衡关系。此外,该系统还将血管结构转化为节点和边,以便进行网络分析。通过与专家手动测量的对比验证,该系统的检测率在91%到98%之间,测量精度在手动测量值的10像素范围内可达89%到93%,且自动化测量的直径值与手动测量值之间不存在明显的系统性偏差(平均差异小于0.3像素,配对t检验和Wilcoxon检验的p值均大于0.2),两者一致性也很高(皮尔逊相关系数大于0.94)。
PAVSAT能够成功识别复杂的血管分支结构,测量弯曲血管的直径,并生成适合大规模研究的定量数据,从而为血管生物学、发育机制及病理学研究提供有力支持。