3D-Visualisierung von Blutgefäßen in der Angiogenese: Eine Studie

Hintergrund

Angiogenese bezeichnet den Prozess der Bildung neuer Blutgefäße aus bereits vorhandenen Gefäßen. Die dreidimensionale (3D) Darstellung dieser Gefäße ist eine Herausforderung, die jedoch von großem Nutzen für Forscher, Pathologen und Mediziner wäre. Ramakrishnan et al. (2023) entwickelten einen visuellen Ansatz, um Blutgefäße in 3D aus formalinfixierten, paraffineingebetteten (FFPE) Granulationsgewebeschnitten mit zwei verschiedenen Färbemethoden darzustellen und zu analysieren.

Methodik

Segmentierung und Registrierung

Die Forscher verwenden ein U-Net Neuronales Netzwerk, das Blutgefäße in den Geweben segmentiert. Danach alignieren die Forschenden die aufeinanderfolgenden Bilder, indem sie Bildregistrierungsmethoden einsetzen. Sie nutzen grobe Registrierungstechniken, gefolgt von einer Feinabstimmung mit einem neuronalen Netzwerk auf Basis von Spatial Transformers, um eine hervorragende Bildausrichtung zu erreichen. Anschließend alignieren und interpolieren sie die segmentierten Masken, um eine 3D-Visualisierung von Blutgefäßen zu erstellen.

3D-Visualisierung von Blutgefäßen und Verzweigungsanalyse

Um die Verzweigungseigenschaften des 3D-Gefäßmodells zu analysieren, wurde ein Skelettierungsalgorithmus verwendet. Dadurch konnten die Verzweigungsmerkmale detailliert untersucht werden.

Ergebnisse

Bildsegmentierung

Nach dem Training der Gewebeproben mit 70 % der gepatchten Ground-Truth (GT)-Daten erzielte das U-net-Segmentierungsnetzwerk eine Validierungs-Dice-Score von über 90 %. Die Dice-Score-Genauigkeiten für die H&E-gefärbten Gewebe und die CD31-gefärbten Gewebe lagen bei 92,1 % bzw. 91,7 %.

Bildregistrierung

Die SSIM-Scores nach der groben Registrierung stiegen für die H&E-Proben von 29,2 % auf 46,3 % und für die CD31-Bilder von 9,1 % auf 14,9 %. Die Feinabstimmung mit dem STN-basierten Registrierungsnetzwerk erhöhte die SSIM-Scores auf 57,0 % für H&E und 25,6 % für CD31.

3D-Rekonstruktion und Verzweigungsanalyse

Die fein registrierten binären Masken wurden interpoliert, und ein 3D-Modell wurde rekonstruiert. Die resultierenden 3D-Modelle wurden skelettiert und auf Verzweigungsmerkmale untersucht.

Limitationen

Es gibt einige Einschränkungen bei diesem Ansatz. Erstens erfordert die Herstellung der gefärbten Bilder zerstörerische histologische Methoden. Zweitens müssen die Gewebe sorgfältig gefärbt werden, um eine zuverlässige 3D-Rekonstruktion zu gewährleisten. Schließlich setzt der Mutual-Dice-Score voraus, dass die Blutgefäße eine kontinuierliche Strömungsstruktur aufweisen.

Fazit zur 3D-Visualisierung von Blutgefäßen

Die Studie präsentiert eine Pipeline von computergestützten und Deep-Learning-basierten Algorithmen zur genauen Visualisierung von Blutgefäßen in 3D aus einer Reihe aufeinanderfolgender Gewebeproben. Die Forschenden eröffneten neue Perspektiven für das pathophysiologische Verständnis der Gefäßmorphogenese und ihrer potenziellen diagnostischen Rolle.