Recent advances in light-sheet fluorescence microscopy (LSFM) enable 3-dimensional (3-D) imaging of cardiac architecture and mechanics in toto. However, segmentation of the cardiac trabecular network to quantify cardiac injury remains a challenge. We hereby employed "subspace approximation with augmented kernels (Saak) transform" for accurate and efficient quantification of the light-sheet image stacks following chemotherapy-treatment. We established a machine learning framework with augmented kernels based on the Karhunen-Loeve Transform (KLT) to preserve linearity and reversibility of rectification. The Saak transform-based machine learning enhances computational efficiency and obviates iterative optimization of cost function needed for neural networks, minimizing the number of training data sets to three 2-D slices for segmentation in our scenario. The integration of forward and inverse Saak transforms serves as a light-weight module to filter adversarial perturbations and reconstruct estimated images, salvaging robustness of existing classification methods. The accuracy and robustness of the Saak transform are evident following the tests of dice similarity coefficients and various adversary perturbation algorithms, respectively. The addition of edge detection further allows for quantifying the surface area to volume ratio (SVR) of the myocardium in response to chemotherapy-induced cardiac remodeling. The combination of Saak transform, random forest, and edge detection augments segmentation efficiency by 20-fold as compared to manual processing; thus, establishing a robust framework for post light-sheet imaging processing, creating a data-driven machine learning for 3-D quantification of cardiac ultra-structure.

ABSTRACT Murine models of visual impairment provide micro-vascular insights into the 3-D network disarray in retinopathy. Current imaging and analysis tend to be confined to the 2-D retinal vasculature. We hereby integrated selective plane illumination imaging or known as light-sheet fluorescence microscopy (LSFM) with dual-illumination, followed by computational analyses, to reveal the topological network of vertical sprouts bridging the primary and secondary plexuses in a postnatal mouse model of oxygen-induced retinopathy (OIR). We revealed a preferential obliteration of the secondary plexus and bridging vessels despite a relatively unscathed primary plexus. We compared the local versus global vascular connectivity using clustering coefficients and Euler numbers, respectively. The global vascular connectivity in hyperoxia-exposed retinas was significantly reduced ( p < 0.05, n = 5 vs. normoxia), whereas the local connectivity was preserved ( p > 0.05, n = 5 vs. normoxia). We further applied principal component analysis (PCA) to automatically segment the vertical sprouts, corroborating the preferential obliteration of the interconnection between vertical sprouts and secondary plexuses that were accompanied with impaired vascular branching and connectivity, and reduced vessel volumes and lengths ( p < 0.05, n=5 vs. normoxia). Thus, integration of 3-D selective plane illumination with computational analyses allows for early detection of global and spatially-specific vaso-obliteration, but preserved local reticular structure in response to hyperoxia-induced retinopathy.