- 2 次围观
现代生物成像会产生庞大而复杂的数据集，这要求采用可扩展且可复现的图像分析方法。深度学习已在生物图像分割任务中展现出优异性能，但由于需要 GPU 基础设施、编程专长以及大规模标注训练数据，训练定制模型对许多研究人员而言仍然难以实现。ZEISS arivis Cloud 是一个基于浏览器的深度学习模型训练平台，通过支持部分标注、使用 SAM（Segment Anything Model）进行 AI 辅助标注、预训练模型初始化，以及自动配置且无需机器学习专业知识的训练流程，解决了这些障碍。该平台支持两类分割任务：其一是语义分割，采用具有 EfficientNet 编码器和 PixelShuffle 解码器的 U-Net 风格架构；其二是实例分割，基于以 Swin-Tiny 为骨干网络的 Mask2Former。两种流程均整合了针对显微成像的特定适配，包括平滑切块、多通道输入支持、数据集特异性归一化，以及受专利 US-20240078681-A1 和 US-20250111519-A1 保护的、能够感知部分标注的损失函数。训练后的模型可直接集成到 ZEISS arivis Pro 中，用于基于流程的图像分析；集成到 ZEISS arivis Hub 中，用于在大规模数据集上并行执行；以及集成到 ZEISS ZEN 中，用于内容感知引导采集。我们描述了该平台的体系结构、训练方法、分割架构、可复现性与版本控制机制以及 FAIR 合规性，并通过两个肠道类器官成像示例展示完整工作流程。arivis Cloud 对学生用户免费开放；其他用户可通过订阅方式访问该平台，网址为 https://www.arivis.cloud/。
现代生物成像会生成大量复杂的数据集，因此需要可扩展且可复现的图像分析方法。深度学习在生物图像分割任务中已显示出优异性能，但由于需要 GPU 基础设施、编程专长以及大量带标注的训练数据，训练定制模型对许多研究人员而言仍然难以企及。ZEISS arivis Cloud 是一个基于浏览器的深度学习模型训练平台，通过支持部分标注、利用 SAM（Segment Anything Model）进行 AI 辅助标注、预训练模型初始化，以及自动配置且无需任何机器学习专业知识的训练流程，解决了这些障碍。该平台支持两类分割任务：其一是语义分割，采用带有 EfficientNet 编码器和 PixelShuffle 解码器的 U-Net 风格架构；其二是实例分割，基于采用 Swin-Tiny 主干网络的 Mask2Former。两条流程均结合了针对显微成像的特定适配，包括平滑平铺、多通道输入支持、数据集特异性归一化，以及受专利 US-20240078681-A1 和 US-20250111519-A1 保护的、适用于部分标注的损失函数。训练后的模型可直接集成到 ZEISS arivis Pro 中以进行基于流程的图像分析，集成到 ZEISS arivis Hub 中以在大型数据集上并行执行，以及集成到 ZEISS ZEN 中以实现内容感知的引导采集。我们描述了该平台的架构、训练方法、分割架构、可复现性与版本控制机制以及 FAIR 合规性，并通过两个肠道类器官成像示例展示了完整工作流程。arivis Cloud 对学生用户免费开放；其他用户可通过订阅访问该平台，网址为 https://www.arivis.cloud/。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.07.743540v1?rss=1
🏷️ 生物图像分析 深度学习分割 云平台 显微成像 SAM辅助标注