全脑 3D 细胞核实例分割的通用拼接解决方案
1. 引言
高通量 3D 细胞核实例分割(NIS)对于理解单个细胞的复杂结构和功能,以及它们在大脑组织环境中的相互作用至关重要。目前,使用先进的机器学习技术在小图像堆栈中实现准确的 NIS 已取得显著进展,但将这种方法扩展到光片显微镜下的全脑 NIS 方面的努力还很缺乏。
光片显微镜是一种强大的成像方式,能对大样本(如小鼠全脑)进行快速高分辨率成像。组织清除技术可去除散射光的分子,提高光在生物样本中的穿透性,使包括细胞核在内的内部结构更易观察。这两项技术彻底改变了生物医学成像领域,被广泛用于研究组织和器官在细胞水平上的结构和功能。
准确的 3D 细胞核实例分割对于在三维空间中识别和描绘单个细胞核至关重要,这是理解大脑中生物组织复杂结构和功能的关键。然而,从光片显微镜拍摄的清除组织图像中准确分割细胞核是一项具有挑战性的任务,因为存在复杂的组织结构、细胞形状以及细胞核大小和形状的变化。由于 3D 手动细胞核注释成本高且学习过程复杂,当前的端到端 NIS 模型通常仅限于在小图像堆栈(如 128×128×64)上进行训练和测试。
为实现全脑 NIS,一种方法是将整个图像堆栈分割成较小的堆栈,让现有的 NIS 方法分别处理每个部分。但从这些小图像堆栈构建全脑 3D 细胞核实例分割时,会出现新的挑战,即小堆栈之间(片内)和切片之间(片间)的间隙需要一种强大的拼接方法来实现准确的 NIS。
1.1 现有问题
当前使用重叠图像堆栈通过加权平均来拼接强度图像的方法,在处理细胞核实例时,当细胞核靠近且代表同一实体时,准确匹配细胞核实例的索引(即分割标签)变得至关重要,这就是细胞核拼接问题,是