基于深度立体流回归的Spotiflow技术：实现荧光显微图像中高精度高效斑点检测

来自Weigert实验室的研究人员开发了Spotiflow深度学习模型，解决了荧光显微图像中低信噪比条件下斑点状结构（如iST转录本）的亚像素级检测难题。该方法通过多尺度热图与立体流回归框架，显著提升了2D/3D图像的检测精度与效率，为成像空间转录组学(iST)和活体实验提供了更可靠的生物学洞察工具。

　　在生命科学研究中，精准识别荧光显微图像中的斑点状结构（spot-like structures）是成像空间转录组学(iST)和活体实验的关键挑战。面对低信噪比图像中数百万转录本的检测需求，传统信号处理方法往往依赖繁琐的手动调参。Spotiflow创新性地将斑点检测转化为多尺度热图（multiscale heatmap）与立体流（stereographic flow）回归问题，通过深度学习实现了亚像素级精度。该技术兼容2D和3D图像，在各类成像条件下均表现出卓越的泛化能力，其计算效率远超现有方法。实验证实，Spotiflow提升的检测精度直接转化为更具生物学意义的发现，例如更精确的转录本空间定位分析。开源工具已提供Python库和napari插件支持，推动方法学在科研社区的广泛应用。