《PLOS Computational Biology》：Multiscale segmentation using hierarchical phase-contrast tomography and deep learning
编辑推荐：
本刊推荐：研究者创新性地结合分层相衬断层扫描（HiP-CT）技术与深度学习算法，开发出跨尺度生物医学图像分割管道。通过多尺度配准和伪标签生成策略，成功实现从高分辨率（约2.58μm/体素）局部区域到低分辨率（约25μm/体素）完整器官的肾小球自动分割，在四组人体肾脏数据中达到0.906的Dice评分。该技术为三维形态学分析提供了新范式，对肾脏疾病机理研究和临床诊断具有重要价值。
数据采集与预处理
研究采用欧洲同步辐射装置（ESRF）产生的分层相衬断层扫描（HiP-CT）技术，对四例人体肾脏样本进行多尺度成像。该技术可实现从完整器官扫描（约20μm/体素）到高分辨率感兴趣区域（VOIs，约1μm/体素）的多级数据采集。针对HiP-CT数据强度值非定量化的特点，采用对比度受限自适应直方图均衡化（CLAHE）进行强度归一化，并将16位数据转换为8位以降低计算负载。训练数据通过将5123标注立方体裁剪为1283非重叠块，确保单个肾小球完整包含于训练样本中。
多尺度分割管道构建
研究提出基于层级循环的分割管道，包含五个核心环节：数据预处理、网络训练/微调、预测后处理、多尺度配准和伪标签生成。在首轮循环中，使用手动标注的高分辨率数据（2.58-5.2μm/体素）对VNet、UNETR、SwinUNETR和nnUNet四种三维分割模型进行5折交叉验证。结果显示nnUNet表现最优（训练集Dice=0.923，测试集Dice=0.906），故将其作为基线模型用于后续多尺度分割。
后处理优化策略
针对模型预测中存在的假阳性问题（主要分布于脂肪、血凝块和管状结构区域），开发了基于拉丁超立方采样（LHS）的自动化后处理流程。通过设置半径62μm的最小尺寸阈值，并结合强度方差、圆形度、邻域密度等参数的空间探索，筛选出20组参数组合进行优化。后处理使高分辨率数据Dice分数显著提升，但对低对比度的完整器官数据改善有限。
跨尺度分割验证
通过多尺度配准（采用SimpleITK工具包和Mattes互信息指标）将高分辨率预测结果转化为低分辨率数据的伪标签。在12.1μm/体素的中分辨率数据上，微调后的nnUNet达到0.949的验证Dice分数；在25.08μm/体素的完整器官数据上，通过1500轮微调获得0.796的Dice值。对比实验表明，微调策略相比从头训练能显著提升收敛速度和分割精度。
肾小球形态学发现
将管道应用于62岁健康男性捐赠者（LADAF-2021-17右肾）和94岁高血压女性捐赠者（LADAF-2020-27左肾）的完整肾脏数据，分别识别出1,019,890和231,179个肾小球。通过313求和核函数计算肾小球中心密度，发现健康肾脏最大密度达21.5/mm3，显著高于病变肾脏的16/mm3。按肾小球直径将皮质划分为内、中、外三区，显示病变肾脏外层区肾小球数量减少88.9%，且各区肾小球体积均增大30%以上（p<0.001），符合高血压导致的全球性肾小球肥大特征。
技术局限与展望
研究指出Transformer架构模型（如UNETR）在稀疏标注数据上易过拟合，而nnUNet的轻量化设计更适应此类任务。随着ESRF新一代BM18光束线的应用，未来可通过提升传播距离（达20米）实现10μm/体素的完整器官扫描，有望减少尺度转换次数并提高分割鲁棒性。当前管道虽不能无限向下扩展分割，但为评估特征推断的可靠性提供了框架。
方法论创新价值
该研究首次建立了HiP-CT数据与深度学习结合的跨尺度分割标准流程，实现了从微米级结构到器官级尺度的三维形态定量分析。通过多尺度配准和伪标签传递机制，有效解决了生物医学图像分析中标注数据稀缺的共性难题，为多器官系统研究提供了可推广的技术范式。
