MSInet：一种自监督卷积神经网络框架，结合全局和局部信息以实现稳健的质谱成像分割

《Analytical Chemistry》：MSInet: A Self-Supervised CNN Framework Integrating Global and Local Context for Robust Mass Spectrometry Imaging Segmentation

质谱成像（MSI）空间分割难题通过MSInet自监督框架解决，融合局部超像素细化与全局对比学习，提升分割精度和生物合理性，在脑组织、肾肿瘤及模拟数据集上均优于现有方法，实现25.8% ARI提升且鲁棒抗噪。

　　

质谱成像（MSI）能够在组织中进行无标记的分子映射，但由于数据的高维度、光谱的非线性变化以及组织的异质性，其在空间分割方面面临挑战。传统的无监督聚类方法通常依赖于预先定义的聚类数量，并忽略了空间信息，导致结果碎片化或不符合生物学实际。我们提出了MSInet，这是一个基于自监督深度学习的框架，用于实现稳健的、无需标注的MSI分割。MSInet在卷积神经网络中结合了两种策略：局部对比学习用于捕捉全局语义关系，超像素引导的细化用于确保局部空间一致性。这种双重一致性设计在训练过程中同时增强了全局上下文感知和局部边界精度。MSInet已在小鼠大脑的MALDI-MSI数据、肾肿瘤的DESI-MSI数据以及带有真实标签的合成数据集上进行了评估，其性能始终优于现有最先进的方法（如t-SNE + k-means、CNNAE + 区域生长和基于GCN的模型），实现了更高的准确性和生物学真实性。在模拟数据上，MSInet的调整后的Rand指数为0.89，标准化互信息为0.86，相比基线方法提高了约25.8%的ARI值。它还能够精确地勾勒出大脑中的复杂解剖亚区域（轮廓系数=0.78），并在肾组织中区分肿瘤、坏死和健康区域，与组织学参考结果高度一致。此外，MSInet还表现出对MSI噪声的鲁棒性。通过在一个自监督架构中整合全局和局部上下文建模，MSInet为准确且具有生物学意义的MSI分割提供了一个强大且可扩展的解决方案，在空间组学和生物医学应用中具有广泛潜力。