A Novel Approach Combining Ultrasound- Induced Drug-Free Vasodilation and Photoacoustic Monitoring of Vascular Responses

다국어 초록 (Multilingual Abstract)

Pharmacological vasodilators are widely used to treat vascular disorders, but their systemic nature often leads to undesirable side effects. Moreover, conventional techniques for evaluating vascular responses—including ultrasound and wire myography—suffer from limited resolution or require invasive procedures. This study aimed to develop an integrated platform that overcomes both challenges simultaneously. A high-intensity focused ultrasound （HIFU） transducer was attached to the photoacoustic microscopy （PAM） system for integrated operation. Baseline images of murine ear and abdominal vessels were acquired prior to HIFU exposure. During the subsequent scan, HIFU was applied, while PAM captured the vascular response. As a result, HIFU application induced consistent and localized vasodilation in both the ear and abdominal vessels. PAM visualized the vascular changes, showing vessel diameter increases of approximately 9 to 21%. The integration of HIFU and PAM enables drug-free, localized modulation of vascular tone together with high-resolution in vivo vascular imaging. This integrated platform is intended as a preclinical research tool for studying localized vascular physiology and ultrasound-induced vascular responses without pharmacological intervention. Photoacoustic imaging （PAI） is an advanced imaging technique for high-resolution （HR）, non- invasive visualization of vascular networks, offering distinct advantages in functional and structural imaging. However, its performance is often constrained by trade-offs between spatial resolution and imaging depth, as well as noise and artifacts caused by system limitations and tissue properties. Here, we introduce GDSU-Net, a fine-tuned neural network designed for super-resolution （SR） reconstruction of PAI. GDSU-Net builds on the U-Net architecture and incorporates four key components: group normalization, depthwise separable convolutions, squeeze-and-excitation （SE） blocks, and a pixelshuffle-based decoder. Experimental results demonstrate that GDSU-Net achieves a structural similarity index of 0.889 and a peak signal- to-noise ratio （PSNR） of 31.979dB, while reducing the root mean square error （RMSE） to 0.032 and the mean absolute error （MAE） to 0.025. Visual evaluations confirm its effectiveness in restoring vascular details with preserved anatomical fidelity. These findings highlight GDSU- Net as a computationally efficient solution for super-resolution enhancement in PAI.

국문 초록 (Abstract)

약물성 혈관확장제는 혈관 질환 치료에 널리 사용되고 있지만, 전신적으로 작용하는 특성으로 인해 원치 않는 부작용을 유발하는 경우가 많다. 또한 초음파 및 와이어 혈관근장력 측정법（wire myography）과 같은 기존의 혈관 반응 평가 기법은 해상도가 제한적이거나 침습적 절차를 필요로 한다. 본 연구는 이러한 두 가지 문제를 동시에 극복할 수 있는 통합 플랫폼을 개발하는 것을 목표로 하였다. 이를 위해 고강도 집속 초음파（HIFU） 트랜스듀서를 광음향 현미경（PAM） 시스템에 부착하여 통합적으로 작동하도록 구성하였다. HIFU 조사 전 마우스 귀와 복부 혈관의 기준 영상을 획득하였다. 이후 스캔 과정에서 HIFU 를 적용하는 동시에 PAM 을 이용하여 혈관 반응을 포착하였다. 그 결과, HIFU 적용은 귀와 복부 혈관 모두에서 일관적이고 국소적인 혈관 확장을 유도하였다. PAM 은 이러한 혈관 변화를 시각화하였으며, 혈관 직경은 약 9–21% 증가한 것으로 나타났다. HIFU 와 PAM 의 통합은 약물 없이 국소적으로 혈관 긴장도를 조절하는 동시에 고해상도 생체 내 혈관 영상을 제공할 수 있게 한다. 본 통합 플랫폼은 약물 개입 없이 국소 혈관 생리와 초음파 유도 혈관 반응을 연구하기 위한 전임상 연구 도구로 활용될 수 있다. 광음향 영상（photoacoustic imaging, PAI）은 혈관 네트워크를 고해상도（high- resolution, HR）로 비침습적으로 시각화할 수 있는 첨단 영상 기법으로, 기능적 및 구조적 영상화에서 뚜렷한 장점을 제공한다. 그러나 PAI 의 성능은 공간 해상도와 영상 깊이 사이의 상충관계뿐만 아니라, 시스템의 한계와 조직 특성으로 인해 발생하는 잡음 및 아티팩트에 의해 제한되는 경우가 많다. 본 연구에서는 PAI 의 초해상도（super-resolution, SR） 재구성을 위해 설계된 세부 조정 신경망인 GDSU- Net 을 제안한다. GDSU-Net 은 U-Net 구조를 기반으로 하며, 그룹 정규화（group normalization）, 깊이별 분리 합성곱（depthwise separable convolutions）, squeeze-and-excitation（SE） 블록, 그리고 pixelshuffle 기반 디코더라는 네 가지 핵심 구성 요소를 포함한다. 실험 결과, GDSU-Net 은 구조적 유사도 지수（structural similarity index） 0.889 와 최대 신호 대 잡음비（peak signal-to-noise ratio, PSNR） 31.979 dB 를 달성하였으며, 평균 제곱근 오차（root mean square error, RMSE）는 0.032, 평균 절대 오차（mean absolute error, MAE）는 0.025 로 감소시켰다. 시각적 평가는 해부학적 충실도를 유지하면서 혈관 세부 구조를 복원하는 데 있어 GDSU- Net 의 효과를 확인하였다. 이러한 결과는 GDSU-Net 이 PAI 에서 초해상도 향상을 위한 계산적으로 효율적인 해결책임을 보여준다.

목차 (Table of Contents)

• CHAPTER 1: INTRODUCTION 1
• 1.1 Motivation 4
• 1.2 Improvements of SAM Systems 7
• CHAPTER 2: A NOVEL APPROACH COMBINING ULTRASOUND-INDUCED DRUG-FREE VASODILATION AND PHOTOACOUSTIC MONITORING OF VASCULAR RESPONSES 12
• 2.1 Introduction 12
• 2.2 Materials and methods 14
• 2.2.1 Animals 14
• 2.2.2 The integrated HIFU-PAM system 15
• 2.2.3 In vivo evaluation of HIFU-induced vasodilation using PAM 16
• 2.2.4 Data analysis and vessel diameter quantification 16
• 2.3 Results 17
• 2.3.1 In vivo PAM imaging of murine ear before and after HIFU exposure 17
• 2.3.2 In vivo PAM imaging of murine abdominal region before and after HIFU exposure 19
• 2.4 Discussion 21
• CHAPTER 3: DEEP LEARNING-BASED SUPER-RESOLUTION FOR VESSEL ENHANCEMENT IN PHOTOACOUSTIC MICROSCOPY IMAGING 25
• 3.1 Introduction 25
• 3.2 Related works 27
• 3.2.1 Traditional Methods for PAI Enhancement 27
• 3.2.2 Deep Learning-Based Methods for PAI SR 28
• 3.3 Methodology 29
• 3.3.1 Overview 29
• 3.3.2 GDS Block 30
• 3.3.3 PixelShuffle Decoder 30
• 3.3.4 Loss Function 31
• 3.4 Experimental Setup 32
• 3.4.1 Research Questions 32
• 3.4.2 PAM System 32
• 3.4.3 Animal Model 33
• 3.4.4 Dataset 33
• 3.4.5 Network Implementation 34
• 3.4.6 Evaluation Metric. 34
• 3.4.7 Baselines 35
• 3.5 Experimental Results 36
• 3.5.1 RQ1: How Effective Is GDSU-Net in Enhancing Vascular Visibility in PAI 36
• 3.5.2 RQ2: How Accurately Is Vascular Structure Reconstructed in SR Images. 38
• 3.5.3 RQ3: Is proposed Method Suitable for Real-Time Implementation in PAI Applications 41
• 3.5.4 Ablation Studies 41
• 3.6 Discussion 43
• 3.7 Conclusions 44
• CONCLUSION 46
• REFERENCES 51
• PUBLICATIONS 59
• ACKNOWLEDGEMENTS 60