Vispro：提升Visium空间转录组成像分析精度的端到端自动化工具

空间转录组(ST)技术面临组织图像中基准标记物干扰和背景噪声的挑战，影响下游分析准确性。杜克大学团队开发了Vispro工具，通过深度学习模型实现基准标记检测、图像修复、组织区域分割等关键步骤，显著提升了细胞分割、图像配准和基因插补等任务的性能，为空间生物学研究提供了可靠的图像预处理解决方案。

　　

空间转录组学(ST)技术革命性地实现了基因表达谱与空间位置信息的同步获取，但伴随的组织学图像常受到基准标记物(fiducial markers)和背景区域的干扰。这些技术噪声不仅影响视觉解读，更会误导下游分析——当基准标记物与组织区域重叠时，其斑点状形态易被误判为组织结构；而背景区域的残留染色会模糊组织边界。更复杂的是，单个图像可能包含来自不同空间位置或个体的多个组织样本，缺乏自动分割工具将极大增加分析难度。现有解决方案如10x Genomics的Space Ranger依赖标准化模板，无法处理实际样本中的变形标记；而传统组织分割方法直接应用于含标记物的图像时会产生错误结果。这些被长期忽视的技术瓶颈，亟需系统性解决方案。

杜克大学医学院生物统计学与生物信息学系的Huifang Ma、Xingyuan Zhang等研究人员在《Genome Biology》发表研究，开发了首个面向Visium空间转录组数据的端到端图像处理工具Vispro。该工具通过四个核心模块——基准标记检测、图像修复、组织检测和分离组织区域分割，输出高质量的组织图像。研究表明，经Vispro处理的图像使细胞分割准确率提升40%，图像配准的结构相似性指数(SSIM)提高15%，基因表达插补结果与金标准注释的调整兰德指数(ARI)达到0.37，显著优于现有方法。

研究采用深度学习与计算机视觉相结合的混合方法。在基准标记检测模块，团队收集167个Visium数据集构建包含92,685个手动标注标记的训练集，开发了改进的U-Net架构，结合Dice Loss和Focal Loss解决小目标检测难题。图像修复采用预训练的LaMa模型进行内容补全，组织检测使用U2Net神经网络，而分离组织分割则基于OpenCV的连通域分析。评估涵盖20对Visium图像和13对CytAssist跨模态数据，采用交叉验证策略，定量指标包括交并比(IoU)、豪斯多夫距离(HD)等几何度量，以及SSIM、互信息(MI)等配准指标。

【Vispro准确识别并去除基准标记】
通过改进的U-Net架构，Vispro在标记检测任务中IoU达0.94，较10x标准流程提升10%。如图3所示，该模块能精确定位变形标记（图3b-c），在标记与组织重叠区域仍保持稳定性能（图3d）。比较LaMa、DIP和Stable Diffusion三种修复方法后，选择计算效率最高的LaMa进行后续分析（图4），其GPU处理时间控制在25秒内，内存占用低于8GB。

【Vispro精确识别并分割组织区域】
如图5所示，经Vispro处理的图像组织检测IoU接近1，显著优于Otsu阈值法和SAM模型。在分离组织分割任务中（图6），Vispro的组分差异(CompDiff)趋近于0，能正确识别心肌组织切片中的三个离散区域，而传统方法常产生过度分割。

【提升下游分析性能】
在细胞分割应用中，StarDist对原始图像错误地将基准标记识别为细胞簇（图7a），而经Vispro处理后成功恢复心肌细胞的形态同质性（图7c）。图像配准实验显示，使用Vispro处理使bUnwarpJ在跨模态配准时SSIM提升0.12（图8），DLPFC皮层切片配准的Dice系数达0.82（图9）。在基因插补方面，TESLA结合Vispro能准确限定HMGB1基因的表达区域（图10），空间域检测ARI值较原始方法提高28%。

该研究首次系统论证了图像预处理对空间转录组分析的关键影响。Vispro的创新性体现在三个方面：1) 建立首个大规模基准标记数据集，解决小目标检测难题；2) 实现全流程自动化处理，单张图像GPU处理时间<30秒；3) 兼容10x CytAssist、Stereo-seq等多平台数据（图11）。作为开源工具（MIT许可证），Vispro填补了空间组学领域图像预处理的空白，其模块化设计支持与stLearn、SpaGCN等分析流程无缝整合。未来通过纳入更多样本类型和成像模态，有望进一步拓展其在多组学整合分析中的应用价值。