- 2 次围观
在功能性时序成像和结构性体积多光子显微镜中，运动伪影几乎不可避免。它们来源于呼吸、心跳、运动、清醒状态下的行为、仪器升温、机械振动以及缓慢漂移，而记录到的信号通常受限于光子计数、因散射而模糊，并且在生物学上随时间变化。因此，运动校正往往是定量生物图像分析的必要前提，而非仅仅是一种修饰性的预处理操作。以边缘和特征点为中心的配准策略通常与这类数据并不匹配，因为有用结构可能稀疏、弥散、离焦，或其荧光强度发生变化。我们提出了 ZenReg，这是一个开源 Python 平台，将常见的 2D+t、3D 和 3D+t 显微镜配准任务表述为一组模块化的、保持几何结构的对齐问题。ZenReg 将傅里叶相位相关、基于强度的 StackReg 风格配准、NoRMCorre 风格的分块平移场、基于投影的旋转估计、基于 SimpleITK 的稠密六自由度体积配准，以及基于稀疏点的刚性体积配准，统一于一个规范化的显微镜图像堆栈模型之中。该平台使用 OMIO 对异构显微镜文件进行标准化并保留元数据，同时可选的磁盘支持型 Zarr 数组可为超过可用内存或位于远程存储上的图像堆栈提供分块、内存高效的处理。ZenReg 输出配准后的图像，以及位移表、相关性度量、汇总图和机器可读的设置。在具有已知真实值的合成基准测试中，ZenReg 在中等噪声和漂移条件下，以亚像素精度恢复了全局 2D 和 3D 平移；而高噪声和大漂移测试则区分了各后端方法的表现：一旦图像信息或共享支撑区域不足，基于 FFT 的方法会突然失效；StackReg 在严重噪声下退化得更为渐进；而当单一全局变换不足时，分块式 NoRMCorre 能够改善空间变化的局部运动校正。并行执行缩短了大型时间序列的运行时间，而 ZenReg 也为稠密且富含点状结构的 3D+t 图像堆栈提供了实用的全体积刚性校正。通过将模块化、可扩展的后端架构与透明的伴随输出相结合，ZenReg 使运动校正作为科学图像分析的一部分，更易于扩展、检查、共享、复现和复用。
在功能性时间序列多光子显微成像和结构性体积多光子显微成像中，运动伪影几乎不可避免。它们来源于呼吸、心跳、运动、清醒状态下的行为、仪器发热、机械振动以及缓慢漂移，而记录到的信号通常又受限于光子数、因散射而模糊，并且具有随时间变化的生物学特性。因此，运动校正往往是定量生物图像分析所必需的前提条件，而非仅仅是一种美观性的预处理操作。以边缘和特征点为中心的配准策略通常与这类数据不够匹配，因为有用结构可能稀疏、弥散、离焦，或其荧光强度正在发生变化。我们提出了 ZenReg，这是一个开源 Python 平台，将常见的 2D+t、3D 和 3D+t 显微成像配准任务表述为一类模块化的几何保持型对齐问题。ZenReg 在统一的标准显微图像堆栈模型中，结合了傅里叶相位相关、基于强度的 StackReg 风格对齐、NoRMCorre 风格的分块平移场、基于投影的旋转估计、基于 SimpleITK 的稠密六自由度体配准，以及基于稀疏点的刚性体积配准。该平台使用 OMIO 对异构显微镜文件进行标准化并保留元数据，同时可选的磁盘后备 Zarr 数组支持对超出可用内存或位于远程存储上的图像堆栈进行分块、内存高效的处理。ZenReg 输出配准后的图像以及位移表、相关性指标、汇总图和机器可读的设置。在具有已知真实值的合成基准测试中，ZenReg 在中等噪声和漂移条件下，以亚像素精度恢复了全局 2D 和 3D 平移；而高噪声和大漂移测试则区分了各后端方法的表现：一旦图像信息或共享支持区域不足，基于 FFT 的方法会突然失效；在严重噪声条件下，StackReg 的性能退化更为渐进；当单一全局变换不足以描述运动时，分块 NoRMCorre 能够改进空间变化的局部运动校正。并行执行降低了大型时间序列的运行时间，而 ZenReg 为稠密且富含斑点的 3D+t 堆栈提供了实用的整体验证刚性校正。通过将模块化、可扩展的后端架构与透明的伴随输出相结合，ZenReg 使运动校正作为科学图像分析的一部分，更易于扩展、检查、共享、复现和复用。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.07.743572v1?rss=1
🏷️ 显微镜图像配准 运动校正 多光子显微成像 时空图像分析 Python平台 内存高效计算