基于自适应采样与Dense机制的颅内动脉瘤血管多结构分割

颅内动脉瘤是一种具有较高致死和致残率的常见脑血管疾病。近年来,临床对基于影像的智能化和精准化的疾病诊断策略提出了迫切需求,其中血管及病灶的精准分割是其重要基础。本文提出了一种新型的颅内动脉瘤血管多结构分割框架,利用血管先验灰度特征建立了自适应的数据采样方法,并设计了一种基于Dense机制的深度网络模型实现血管分割。本文收集了135例颅内动脉瘤患者(年龄分布:54.7±12.7岁,75名男性)的飞行时间磁共振血管影像进行模型的训练和测试。相比于原空间采样和图像压缩方法(平均Dice相似性系数:0.829和0.780),自适应采样方法可以明显提升血管分割的精度(平均Dice相似性系数:0.858);与经典的3D UNet、SegNet和DeepLabV3+网络相比(平均Dice相似性系数:0.854,0.824和0.800),基于Dense机制的网络能够利用更少的计算资源实现更优的分割效果,对于不同位置和大小的动脉瘤也表现出良好的分割鲁棒性。

用于微电极阵列和光同时记录的神经传感器平台设计

微电极阵列(MEA,Microelectrode Arrays)和光成像记录已成为从神经网络收集可靠数据的重要工具。然而,没有商业平台被设计用于微电极阵列和光成像的同时记录,由于商业平台的物理限制和高成本,无法对其进行定制。为了解决这个问题,开发了一个小体积的定制神经记录平台,它很容易集成到现有的显微镜环境中。该系统的特点是低输入参考噪声(<2μV)、紧凑的尺寸以及有同时执行微电极阵列和光成像记录的能力。使用该平台对微电极阵列上的神经元进行测量验证表明,该平台为研究钙动力学及其与神经元中动作电位的关系提供了有价值的工具。