编辑推荐：
研究人员为解决生物医学图像分析数据难题，开展 SYNTA 方法研究，结果良好，助力医学研究。
在医学领域，疾病的诊断和研究离不开对各种生物医学图像的分析，这就像是医生透过显微镜，试图从复杂的图像 “迷宫” 中找到疾病的线索。然而，这个 “迷宫” 可不好走，生物医学图像不仅包含海量的数据，其复杂程度也超乎想象，传统的人工分析方法就如同在迷宫中摸索，既耗费时间又容易出错。随着人工智能（AI）技术的兴起，深度学习（DL）在生物医学图像分析中展现出巨大潜力，它就像给医生配备了智能导航，能快速、准确地处理图像数据。但深度学习模型的训练需要大量高质量且带有手动标注的数据集，获取这些数据成本高昂，成为了阻碍其发展的 “拦路虎”。为了攻克这一难题，来自多个研究机构的科研人员展开了深入研究，相关成果发表在《Communications Medicine》杂志上。
研究人员提出了一种名为 SYNTA 的全新方法，旨在生成逼真的合成生物医学图像数据，以此解决当前深度学习面临的数据困境。在肌肉组织病理学和骨骼肌分析的研究场景中，SYNTA 方法大显身手。
为了开展研究，科研人员采用了一系列关键技术方法。他们以真实世界的图像作为视觉参考，利用 3D 计算机图形软件（Blender）精心打造了参数化纹理管道，生成包含多种特征的合成数据集，并为其配备像素级完美的标签。随后，基于该合成数据集训练 U-Net 网络模型（U-Netsynth），并与在真实数据上训练的 U-Net 模型（U-Netreal）以及 Cellpose 模型进行性能对比评估。
研究结果令人振奋：
- 逼真的合成图像：基于真实骨骼肌参考图像的特征，SYNTA 模拟生成的合成图像高度逼真，具备真实图像的典型特征，如肌肉纤维形状、细胞核位置等，且在染色表现、纤维属性等方面呈现出丰富的变化。通过 t-SNE 可视化分析发现，合成数据与真实数据相似度较高12。
- 出色的分割性能（H&E FFPE 数据）：在 H&E FFPE 数据集上的实验显示，仅在合成数据上训练的 U-Netsynth，其分割性能与在真实数据上训练的 U-Netreal相当，且与 Cellpose 模型相近。定性和定量分析结果表明，U-Netsynth在处理真实数据时表现出色，能够准确地分割肌肉纤维34。
- 卓越的泛化能力（H&E Cryo 数据）：在 H&E Cryo 数据集上，由于缺乏大规模手动标注数据，科研人员组织了专家调查。结果显示，U-Netsynth在纤维分割任务上的表现优于 U-Netreal，能更准确地识别纤维轮廓，对冷冻伪影的鲁棒性更强，其生成的结缔组织分割结果也更加精确。专家调查的定量结果进一步证实，U-Netsynth在所有评估类别中均获得了更高的评分567。
- 深入的数据集分析：利用 U-Netsynth对 H&E Cryo 数据集进行全面分析，研究人员发现仅通过单个纤维特征（如直径）或结缔组织的厚度，就能有效区分健康对照组和患有结蛋白敲除肌病（desmin knock-out myopathy）的组织样本。这一发现为疾病的诊断提供了新的依据89。
综合来看，SYNTA 方法为生物医学图像分析带来了新的曙光。它生成的高质量合成数据，减少了对大量真实数据收集和手动标注的依赖，为组织病理学和医学研究开辟了新的道路。不过，该方法也存在一定的局限性，比如在模拟真实组织的复杂变化时，可能需要投入更多的专业知识和人力。未来，研究人员计划进一步探索 SYNTA 方法在其他医学领域和成像模态中的应用，期望为医学研究和疾病诊断带来更多的突破。
