- 14 次围观
三维细胞结构的定量分析是理解组织构型、疾病进展和药物反应的基础。然而，由于细胞形态多样、信噪比较低以及数据稀缺，三维细胞分割仍然是一个关键瓶颈。我们提出了 Penumbria，这是一种通用型三维细胞分割框架，能够在体积显微成像中跨越形态差异显著的细胞群体和不同成像条件，实现最先进的分割精度。Penumbria 将分割表述为一个关于细胞边界距离的回归问题，从而在不依赖形状先验的情况下支持实例重建，并允许进行端到端的 GPU 推理。 该方法采用基于 U-Net 的架构，并结合 xLSTM 瓶颈模块和 patch embedding，以实现多尺度特征提取、空间上下文的长程建模以及卷积特征体的标记化。模型进一步扩展了两个模块：Global Zernike Phase Layer，该模块在频域中学习以 Zernike 参数化的相位校正，用于消除离焦和倾斜等光学像差；以及 Scaled Geocaps Layer，该模块在多个空间尺度上于固定网格位置采样特征，并在这些尺度之间传递证据，使得只有当多个尺度同时保持一致时，检测结果才会具有高置信度。 在四个多样化的三维数据集上——这些数据集专门用于检验现有方法的能力边界——Penumbria 在所有评估阈值下均优于 Cellpose-SAM，并在大多数数据集上超过 StarDist-3D，仅在 Parhyale hawaiensis 数据集上与其表现相当。在完全从零开始训练的条件下，Penumbria 的平均精度均值相较于排名第二的方法最高提升了 38%。其优异的边界精度还进一步支持下游分析，例如膜动态变化或蛋白质定位的定量研究。
三维细胞结构的定量分析对于理解组织构型、疾病进展和药物反应至关重要。然而，由于细胞形态多样、信噪比较低以及数据稀缺，三维细胞分割仍然是一个关键瓶颈。我们提出了 Penumbria，这是一种通用型三维细胞分割框架，在体积显微成像中，面对形态学差异显著的细胞群体和不同成像条件时，仍能实现当前最先进的精度。Penumbria 将分割表述为一个关于细胞边界距离的回归问题，从而在无需形状先验的情况下支持实例重建，并允许端到端的 GPU 推理。基于 U-Net 的架构结合了 xLSTM 瓶颈模块和 patch embedding，使模型能够进行多尺度特征提取、空间上下文的长程建模，以及对卷积特征体进行标记化。该模型进一步扩展了两个模块：Global Zernike Phase Layer，其在频域中学习以 Zernike 参数化的相位校正，以消除离焦和倾斜等光学像差；以及 Scaled Geocaps Layer，其在多个空间尺度上于固定网格位置采样特征，并在这些尺度之间路由证据，使得只有当不同尺度同时保持一致时，检测结果才具有高置信度。在为检验现有方法极限而选取的四个多样化三维数据集上，Penumbria 在所有评估阈值下均优于 Cellpose-SAM，并且在大多数数据集上超过 StarDist-3D，同时在……上与其持平。
作者和/或其所属机构正在就本手稿所述技术（包括潜在商业应用）申请知识产权保护。这构成潜在的利益冲突。
感谢您有意帮助传播 bioRxiv 上的这篇文章。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.30.735527v1?rss=1
🏷️ 三维细胞分割 生物医学成像 体积显微成像 U-Net 光学像差校正 实例分割