DeepBranchAI：一种面向分支网络的可迁移三维分割模型

《Frontiers in Artificial Intelligence》：DeepBranchAI: a transferable 3D segmentation model for branching networks

　　

三维分支网络广泛存在于生物、自然与工程系统中，是穿过体积空间的路径。重建这些网络以进行分析需要分割，但微小的体素误分类可能通过错误断开连续结构或放大虚假分支而改变连通性。解决这种拓扑脆弱性需要真正的三维分割模型，因为逐层二维方法无法在x、y、z轴上维持连通性。研究人员提出DeepBranchAI，一个基于专家修正的线粒体FIB-SEM参考标签训练的3D nnU-Net模型，作为分支网络拓扑敏感分割的可迁移检查点。骨骼肌线粒体网络提供了致密且异质的分支网络训练目标，FIB-SEM以各向同性的纳米级细节捕获该结构。在该数据集上训练产生了三维检查点，在五折线粒体FIB-SEM验证中DSC=0.942±0.020，为后续迁移学习实验奠定了基础。迁移学习在来自3D-IRCADb静脉分割、Plant CT根系和AeroPath气道CT的配对图像/参考标签数据集上采用五折交叉验证评估，并使用包括中心线Dice（clDice）和绝对连通分量误差在内的连续性敏感指标。在外部数据集中，DeepBranchAI预训练微调的平均clDice高于从头训练的nnU-Net。平均clDice的相对差异在3D-IRCADb为11.7%，Plant CT根为5.5%，AeroPath为1.9%。Plant CT根的平均绝对连通分量误差降低25.0%，AeroPath降低11.7%。在3D-IRCADb中，DeepBranchAI预训练微调的平均Dice和clDice也高于VesselFM，分别为0.679对0.464和0.629对0.360。迁移结果表明，在结构异质的骨骼肌线粒体网络上训练可以产生超出原始FIB-SEM领域的有用三维特征。代码、训练权重、外部迁移脚本和验证表作为开源资源提供。

研究背景与问题：三维分支网络广泛存在于生物、自然和工程系统中，如气道、孔隙结构、根系、骨骼肌线粒体、血管等。分析这些网络需要先分割体积图像，确定哪些体素属于网络结构。然而，分支网络对拓扑错误非常敏感：微小的体素误分类可能断开细薄分支、融合邻近结构或产生虚假路径，导致网络连通性改变。二维逐层分割无法在x、y、z轴维持连通性，因此需要真正的三维分割模型。已有研究提出拓扑感知损失和连续性敏感指标（如clDice），但可复用的三维分割检查点能否从一种致密异质的分支网络迁移到其他分支网络任务仍未得到充分验证。为此，研究人员构建了DeepBranchAI，一个基于专家修正的骨骼肌线粒体FIB-SEM参考标签训练的3D nnU-Net模型，评估其作为可迁移初始化的能力。

研究内容与结论：研究人员利用来自10名参与者骨骼肌活检样本的聚焦离子束扫描电子显微镜（FIB-SEM，一种可获取纳米级各向同性体积图像的成像技术）图像，通过传统机器学习初步分割、专家三维修正、2D nnU-Net推理辅助等步骤生成专家修正参考标签，训练了3D nnU-Net（一种自配置三维分割网络框架）模型DeepBranchAI。源域五折交叉验证中，模型获得Dice相似系数（DSC，衡量预测与参考掩膜体积重叠的指标）=0.942±