一种用于显微镜图像中微管噪声自适应及稳健分割的新型注意力机制

《BMC Bioinformatics》：A novel attention mechanism for noise-adaptive and robust segmentation of microtubules in microscopy images

　　

摘要

背景

在显微镜图像中分割细胞骨架纤维对于研究其在细胞分裂和细胞内运输等细胞过程中的作用至关重要。然而，由于这些结构极为细微、密集且相互缠绕，这项任务极具挑战性。成像方面的限制——如噪声、低对比度以及不均匀的荧光——进一步增加了分析的难度。尽管深度学习在分割大型、结构清晰的生物结构方面取得了进展，但在如此恶劣的条件下其性能往往会下降。此外，还需要为曲线状结构获取精确的标注，同时在训练过程中处理严重的类别不平衡问题。

结果

我们提出了一种新的噪声自适应注意力机制，该机制对挤压激励（SE）模块进行了扩展，能够动态适应不同的噪声水平。将该机制与带有残差编码器块的U-Net解码器相结合，便形成了ASE_Res_UNet，这是一种轻量级但高性能的模型。为了解决标注问题，我们开发了一种合成数据集生成策略，能够确保在含噪声的图像中对细微纤维进行准确标注，从而生成了两个难度级别的合成数据集，用于分割性能测试。我们系统地评估了各种损失函数和指标，以减轻类别不平衡问题，确保性能评估的准确性。ASE_Res_UNet在含噪声的合成图像中有效分割了微管，其性能优于那些去除了该机制的版本。与采用其他注意力机制或不同架构的模型相比，它也表现出更出色的分割效果，而且参数更少，因此非常适合资源有限的环境。在经过新整理的真实显微镜数据集以及最近重新标注的数据集上的测试表明，ASE_Res_UNet在分割微管方面的能力不仅限于合成图像。在这些数据集中，ASE_Res_UNet的表现与一种近期采用的基于合成数据的方法相当，后者使用了两个预训练的细胞骨架模型。重要的是，ASE_Res_UNet在多种成像条件下，也能很好地应用于其他曲线状结构（如血管和神经）的分割。

结论

本研究通过三项重要贡献推动了微管分割技术的发展：（1）提供了两个基准数据集（合成数据集和真实数据集），填补了该任务标准化评估资源方面的空白；（2）提出了ASE_Res_UNet，这是一种结合了噪声自适应注意力机制和残差学习的轻量级且稳健的模型；（3）证明了该模型在合成和真实显微镜数据上的出色性能。此外，我们还展示了所提出架构在多种曲线状结构分割任务中的稳健性和通用性，为其在生物研究和医学诊断领域的更广泛应用奠定了基础。