基于两阶段贝叶斯优化的3D图像数据分析设计参数自动选择与优化流程

《SLAS Technology》：Bayesian optimization for design parameters of 3D image data analysis

　　

基于深度学习的分割（segmentation）与分类（classification）对大规模生物医学成像至关重要，尤其对于3D数据，因为人工分析不切实际。尽管已有许多方法，但选择合适的模型并调节参数在实践中仍是主要瓶颈，因为人工识别和比较这些模型需要大量计算与人力。因此，研究人员引入3D数据分析优化流程（3D data Analysis Optimization Pipeline, 3D-AOP），一种利用两个贝叶斯优化（Bayesian Optimization, BO）阶段促进分割与分类的设计和参数化的方法。首先，该流程使用领域适配的合成基准数据集选择分割模型并优化后处理参数。为确保对分割性能进行简洁评估，研究人员引入一个分割质量指标（segmentation quality metric）作为目标函数。其次，该流程优化分类器的设计选择，例如编码器（encoder）与分类器头（classifier head）架构、先验知识的融合以及预训练策略（pretraining strategies）。为减少人工标注工作量，该阶段包括一个辅助类别标注工作流（assisted class-annotation workflow），其从分割结果中提取预测实例并依次呈现给操作员（operator），从而无需人工追踪。在四个案例研究（case studies）中，3D-AOP高效地为各个数据集识别出有效的模型与参数配置。

研究背景与问题：显微成像是观察、量化和解释细胞与组织结构的基础工具。近年来，3D数据分析在细胞研究中日益重要，因为其保留2D投影丢失的空间背景；现代设备可为每个样本获取数百至数千幅3D图像，使人工分析几乎不可行。因此，分割与分类是自动提取可解释信息的关键步骤。已有大量3D生物医学数据分割与分类方法，分割多基于U-Net架构，分类模型常将卷积神经网络（Convolutional Neural Networks, CNN）或视觉Transformer编码器与分类器头组合。自动框架如nnU-Net可减少人工设计，但受训练数据和计算资源限制；预训练分割模型、后处理方法可改善分割，但性能随数据集变化强烈。分类中ImageNet预训练编码器需适配训练，半监督标注方法可增强有限标注数据，分类器头需面向下游任务定制，分类性能尤其依赖架构、流程设计和组件对特定应用域的泛化能力。研究人员将模型架构、训练和分析流程的全部设计选择称为设计参数（design parameters），并与控制单个设计变体训练或推理的超参数（hyperparameters，如学习率、丢弃率、归一化参数）区分。由于现有方法在不同数据集上性能差异大，面向数据集适配设计参数十分必要；但可用方法多且3D标注数据有限，优化设计参数困难。合成3D数据生成和域适应可减少人工标注，但网格搜索或随机搜索计算效率低，贝叶斯优化（BO）通过概率代理模型建模不确定性，可高效优化昂贵黑箱函数。因此，研究人员提出3D-AOP，以可重复且高效的方式减轻设计参数选择的人工负担。

研究开展与结论意义：研究人员提出3D-AOP框架，从原始数据到分析，识别与深度学习性能相关的数据集特征，并用两个BO过程优化分割与分类。第一个过程在领域适配的合成基准数据集上比较分割模型并优化后处理参数，以新提出的单射全景质量（Injective Panoptic Quality, IPQ）为目标；第二个过程利用优化分割结果促进3D实例标注，并优化分类器设计参数，包括预训练策略、编码器与分类器头架构及先验知识融合。研究在四个细胞3D显微数据集上验证：体外Myotube培养物中的细胞核、额外细胞核壳（Core-Shell）数据集，以及Cell Tracking Challenge（CTC）的两个数据集。结论表明，跨不同光学性质的数据集，最优设计选择与参数高度依赖数据；3D-AOP能高效地为各个数据集识别有效的模型与参数配置。其意义在于提供实验验证的自动化优化工作流，减少人工设计参数选择，并系统比较现有模型与方法。

关键技术方法：以输入3D图像构建合成分割基准并结合cycleGAN进行域适应；第一阶段采用BO，以高斯过程代理模型（Matérn-5/2核和类别核）及期望改进采集函数选择预训练分割模型并优化七类后处理参数，以IPQ为目标；第二阶段利用优化分割结果开展辅助实例标注和标签扩散（label spreading）半监督数据构建，再用随机森林代理模型的BO优化分类器编码器、分类器头、预处理与预训练策略，以验证准确率为目标。样本来源包括人诱导多能干细胞来源的体外Myotube培养物（Couturier et al.）、转染HEK293T细胞构成的细胞核壳组装体，以及CTC的Fluo-C3DH-H157和Fluo-C3DL-MDA231数据集。

研究结果：
分割（Segmentation）：通过四项实验，将BO优化与无后处理基线及同预算随机搜索比较，以IPQ及其识别质量（Recognition Quality, RQ）、分割质量（Segmentation Quality, SQ）、单射质量（Injective Quality, IQ）因子评估。几乎所有实验中优化结果显著高于基线和随机搜索。Core-Shell的SQ均值仅0.37，BO使SQ提高0.13而随机搜索降低0.08，说明形态学操作可改善预测实例面积；Myotube的RQ和IQ无提升而SQ提高0.48，表明预训练模型已识别实例但面积偏大或偏小，随机搜索各指标显著下降，说明参数空间复杂；CTC实验IQ提高0.79和0.33，RQ仅提高0.01和0.06，基线RQ高但IQ低，显示实例分裂，合并算法参数关键；随机搜索虽改善IQ但低于BO且RQ下降，呈现IQ与RQ权衡，BO未出现错误合并。等值线分析显示Core-Shell存在局部最优而BO能找到更优配置；Myotube中BO可完全省略后处理并找到θ_ED=?1使IPQ约0.8；C3DH-H157在复杂空间密集探索区找到最优；C3DL-MDA231多数配置θ_St<0.2，较高θ_CO对应较高IPQ。

分类（Classification）：通过两个实验的分类优化，以验证准确率为目标。掩膜方法平均优于距离方法，分别高4%和29%；Myotube中体积分类器平均比切片分类器好3%；验证准确率范围为12%至100%，说明设计选择重要。某些平均较差的组合在特定编码器上表现最好：Core-Shell中体积分类器+距离方法+ResNet18（RN18）达98.7%，尽管该组合平均为51%；Myotube中CellposeSAM（CSAM）和ResNet101（RN101）上相应组合更高；切片分类器+掩膜方法常优于平均最佳组合。六个编码器中仅两个显示与平均相同的交互模式，平均表现不代表个体组合。Myotube中全监督预训练平均最佳为84%，Core-Shell中半监督预训练最佳为97%，说明结果不能泛化到所有数据集。Myotube最佳分类器为最小模型RN18且无预训练；CNN参数数量与验证准确率的Pearson相关为r=?0.97,p=0.027。推理时间显示RN18在Core-Shell达到与CSAM相同最大准确率但快约5倍；Myotube中RN18（86%）和EfficientNet V2（EN，85%）接近CSAM（87%）且更快，揭示处理时间与准确率权衡。

计算成本（Computational cost）：通过大型数据集估计（15个70×1024×1024体积、150000个实例、4500个标注实例、两个阶段各30次迭代、75个训练轮次且无早停、NVIDIA GeForce RTX 3090 Ti 24 GB），总约需124 GPU小时和30 CPU小时，分类优化占多数GPU时间；主要瓶颈为分类器设计搜索，尤其当存在大型伪标注训练集时；分类优化不需要完整训练数据集，大数据集使用子集即可。

局限性（Limitations）：讨论指出，3D-AOP不提出可泛化到未探索域的新模型，而是针对特定域比较现有方法与模型；其适用于亮场、荧光和电子显微镜等常见生物样本；若没有模型及前后处理方法表现良好，优化可识别现有模型景观的局限；丝状结构如Myotube strings未被当前分割模型很好捕获，3D-AOP找不到满意IPQ参数化。

讨论与结论翻译：讨论部分强调，3D-AOP的价值在于面向特定域精简且准确评估当前模型景观，而非新增分割或分类模型；其可覆盖常见生物样本，并能在无满意模型时揭示现有模型库局限。研究结论部分可翻译为：在具有不同光学性质的数据集上，结果表明最优设计选择与参数高度依赖数据；3D-AOP能高效地为各个数据集识别有效的模型与参数配置。