Abstract A potential method for tracking neurovascular disease progression over time in preclinical models is multiphoton fluorescence microscopy (MPM), which can image cerebral vasculature with capillary-level resolution. However, obtaining high-quality, three-dimensional images with a traditional point scanning MPM is time-consuming and limits sample sizes for chronic studies. Here, we present a convolutional neural network-based algorithm for fast upscaling of low-resolution or sparsely sampled images and combine it with a segmentation-less vectorization process for 3D reconstruction and statistical analysis of vascular network structure. In doing so, we also demonstrate that the use of semi-synthetic training data can replace the expensive and arduous process of acquiring low- and high-resolution training pairs without compromising vectorization outcomes, and thus open the possibility of utilizing such approaches for other MPM tasks where collecting training data is challenging. We applied our approach to large field of view images and show that our method generalizes across imaging depths, disease states and other differences in neurovasculature. Our pre-trained models and lightweight architecture can be used to reduce MPM imaging time by up to fourfold without any changes in underlying hardware, thereby enabling deployability across a range of settings.

Abstract Recent advances in two-photon microscopy (2PM) have allowed large scale imaging and analysis of blood vessel networks in living mice. However, extracting a network graph and vector representations for vessels remain bottlenecks in many applications. Vascular vectorization is algorithmically difficult because blood vessels have many shapes and sizes, the samples are often unevenly illuminated, and large image volumes are required to achieve good statistical power. State-of-the-art, three-dimensional, vascular vectorization approaches often require a segmented (binary) image, relying on manual or supervised-machine annotation. Therefore, voxel-by-voxel image segmentation is biased by the human annotator or trainer. Furthermore, segmented images oftentimes require remedial morphological filtering before skeletonization or vectorization. To address these limitations, we present a vectorization method to extract vascular objects directly from unsegmented images without the need for machine learning or training. The Segmentation-Less, Automated, Vascular Vectorization (SLAVV) source code in MATLAB is openly available on GitHub. This novel method uses simple models of vascular anatomy, efficient linear filtering, and low-complexity vector extraction algorithms to remove the image segmentation requirement, replacing it with manual or automated vector classification. SLAVV is demonstrated on three in vivo 2PM image volumes of microvascular networks (capillaries, arterioles and venules) in the mouse cortex. Vectorization performance is proven robust to the choice of plasma- or endothelial-labeled contrast, and processing costs are shown to scale with input image volume. Fully-automated SLAVV performance is evaluated on simulated 2PM images of varying quality all based on the large (1.4×0.9×0.6 mm 3 and 1.6×10 8 voxel) input image. Vascular statistics of interest (e.g. volume fraction, surface area density) calculated from automatically vectorized images show greater robustness to image quality than those calculated from intensity-thresholded images. Author summary Samuel Mihelic is a PhD candidate in the Biomedical Engineering Department at the University of Texas at Austin. He graduated from Oregon State University (Chemical Engineering BS, Mathematics BS). He hosts the GitHub repository for the code used in this article: https://github.com/UTFOIL/Vectorization-Public . His research interests are in-vivo neural microvascular image analysis, anatomy, and plasticity. William Sikora graduated with a BS in Computational Biomedical Engineering from The University of Texas at Austin in May 2020. He is working with Dr. Yuan Yang and the Laureate Institute for Brain Research as a PhD student of Biomedical Engineering at the University of Oklahoma in Tulsa, researching the highly non-linear world of neural coupling and its link to common neurological pathologies such as stroke. Ahmed Hassan is a graduate of the University of California, Los Angeles and the University of Texas at Austin with a Bachelor's degree in Microbiology, Immunology, and Molecular Genetics and an MSE/PhD in Biomedical Engineering. His graduate research was concentrated in imaging and instrumentation, and his interests include developing optical and laser systems for neuroimaging, image processing and reconstruction, and advanced image analysis. Michael Williamson earned a BSc (Honours) in Neuroscience in 2016 from the University of Alberta, where he trained with Dr. Fred Colbourne. He is currently a doctoral student at the University of Texas at Austin working in the labs of Drs. Theresa Jones and Michael Drew. Theresa Jones is a Professor in the Department of Psychology and Neuroscience at The University of Texas at Austin. Her laboratory studies plasticity of neural structure and synaptic connectivity following brain damage and injury. Andrew K. Dunn is the Donald J. Douglass Centennial Professor of Engineering in the Department of Biomedical Engineering at The University of Texas at Austin and the Director of the Center for Emerging Imaging Technologies. His research focuses on the development of innovative optical imaging techniques for studying the brain.

Abstract This research article quantitatively investigates neuro-microvascular network remodeling dynamics following stroke using a novel in vivo two-photon angiography (cubic millimeter volume, weekly snapshots) and high throughput (thousands of connected capillaries) vascular vectorization method. The results suggest distinct temporal patterns of cere-brovascular plasticity, with acute remodeling peaking at one week post-stroke. The network architecture then gradually stabilizes, returning to a new steady state after four weeks. These findings align with previous literature on neuronal plasticity, highlighting the correlation between neuronal and neurovascular remodeling. Quantitative analysis of neurovascular networks using length- and strand-based statistical measures reveals intri-cate changes in network anatomy and topology. The distance and strand-length statistics show significant alterations, with a peak of plasticity observed at one week post-stroke, followed by a gradual return to baseline. The orientation statistic plasticity peaks at two weeks, gradually approaching the (conserved across subjects) stroke signature. The underlying mechanism of the vascular response (angiogenesis vs. tissue deformation), however, is yet unelucidated, requiring network registration advancements. Overall, the combination of two-photon angiography, vectorization, reconstruction/visualization, and statistical analysis enables both qualitative and quantitative assessments of neu-rovascular remodeling dynamics, demonstrating an impactful method for investigating neuro-microvascular network disorders and the therapeutic modes of action thereof. Understanding the timing and nature of neurovascular remodeling allows for optimized interventions, including personalized medicine for stroke rehabilitation. Additionally, the evaluation of pharmaceutical interventions using these tools may facilitate targeted drug development. Furthermore, neurovascular coupling dynamics have implications for neurodegenerative diseases, brain aging, and the field of brain-computer interfaces.

Abstract We demonstrate a simple, low-cost two-photon microscope design with both galvo-galvo and resonant-galvo scanning capabilities. We quantify and compare the signal-to-noise ratios and imaging speeds of the galvo-galvo and resonant-galvo scanning modes when used for murine neurovascular imaging. The two scanning modes perform as expected under shot-noise limited detection and are found to achieve comparable signal-to-noise ratios. Resonant-galvo scanning is capable of reaching desired signal-to-noise ratios using less acquisition time when higher excitation power can be used. Given equal excitation power and total pixel dwell time between the two methods, galvo-galvo scanning outperforms resonant-galvo scanning in image quality when detection deviates from being shot-noise limited.

This manuscript quantitatively investigates remodeling dynamics of the cortical microvascular network (thousands of connected capillaries) following photothrombotic ischemia (cubic millimeter volume, imaged weekly) using a novel in vivo two-photon angiography and high throughput vascular vectorization method. The results suggest distinct temporal patterns of cerebrovascular plasticity, with acute remodeling peaking at one week post-stroke. The network architecture then gradually stabilizes, returning to a new steady state after four weeks. These findings align with previous literature on neuronal plasticity, highlighting the correlation between neuronal and neurovascular remodeling. Quantitative analysis of neurovascular networks using length- and strand-based statistical measures reveals intricate changes in network anatomy and topology. The distance and strand-length statistics show significant alterations, with a peak of plasticity observed at one week post-stroke, followed by a gradual return to baseline. The orientation statistic plasticity peaks at two weeks, gradually approaching the (conserved across subjects) stroke signature. The underlying mechanism of the vascular response (angiogenesis vs. tissue deformation), however, is yet unexplored. Overall, the combination of chronic two-photon angiography, vascular vectorization, reconstruction/visualization, and statistical analysis enables both qualitative and quantitative assessments of neurovascular remodeling dynamics, demonstrating a method for investigating cortical microvascular network disorders and the therapeutic modes of action thereof.

Abstract Laser Speckle Contrast Imaging (LSCI) is a powerful tool for non-invasive, real-time imaging of blood flow in tissue. However, the effect of tissue geometry on the form of the electric field autocorrelation function and speckle contrast values is yet to be investigated. In this paper, we present an ultrafast forward model for simulating a speckle contrast image with the ability to rapidly update the image for a desired illumination pattern and flow perturbation. We demonstrate the first simulated speckle contrast image and compare it against experimental results. We simulate three mouse-specific cerebral cortex decorrelation time images and implement three different schemes for analyzing the effects of homogenization of vascular structure on correlation decay times. Our results indicate that dissolving structure and assuming homogeneous geometry creates up to ∼ 10x shift in the correlation function decay times and alters its form compared with the case for which the exact geometry is simulated. These effects are more pronounced for point illumination and detection imaging schemes. Further analysis indicates that correlated multiple scattering events, on average, account for 50% of all dynamic scattering events for a detector over a vessel region and 31% that of a detector over parenchyma region, highlighting the significance of accurate modeling of the three-dimensional vascular geometry for accurate blood flow estimates.