
-
生物通官微
陪你抓住生命科技
跳动的脉搏
低分辨率下深度学习生物图像分割性能的悖论:下采样对分割精度的影响与高效生物成像策略
《Nature Communications》:ReScale4DL: balancing pixel and contextual information for enhanced bioimage segmentation
【字体: 大 中 小 】 时间:2026年09月19日 来源:Nature Communications 18.1
编辑推荐:
摘要深度学习是当前生物图像分割的最先进方法。然而,它围绕图像分辨率呈现出一个悖论:反直觉的是,深度学习分割性能在较低图像分辨率下反而可能提升。这一现象在显微成像中尤为显著,因为高分辨率采集会带来吞吐量、存储需求以及潜在光损伤的巨大成本。我们系统地评估了图像分辨率对分割的影响,
深度学习是当前生物图像分割的最先进方法。然而,它围绕图像分辨率呈现出一个悖论:反直觉的是,深度学习分割性能在较低图像分辨率下反而可能提升。这一现象在显微成像中尤为显著,因为高分辨率采集会带来吞吐量、存储需求以及潜在光损伤的巨大成本。我们系统地评估了图像分辨率对分割的影响,通过将对原始分辨率下采样至6%-50%的数据集训练多种主流架构,以模拟较低放大倍率下的采集。与使用原始分辨率图像训练的模型相比,当图像下采样至四倍以内(即原始分辨率的25%)时,分割精度要么得到提升(平均交并比(IoU)最高提升25%),要么仅出现极小程度的下降(平均IoU下降<5%)。下采样按比例提高了信息吞吐量,同时降低了存储需求和推理时间。这些发现为构建高效、可持续且具有成本效益的生物成像流程提供了实用指导,有助于在优化显微技术的同时减少数据和计算需求。