| 查看: 340 | 回复: 0 | |||
[交流]
cryo-ET 和 FIB-SEM 的深度学习分割,大家是每个数据单独训一个模型吗
|
|
最近看了两篇 bioRxiv 预印本,一篇 cryo-ET,一篇 FIB-SEM,分割流程有个共同点:都没追求一个通用模型,而是针对每个数据少量标注、单独训练,最后再手工清理。想听听大家实际是怎么做的。 第一篇是斯坦福大学和 SLAC 的 Azaldegui 等人,Fluorescent Biosensors for Cryogenic Correlative Light and Electron Microscopy。他们把钙、pH 和渗透压荧光传感器引入冷冻光电关联流程,用在酵母、人 U2OS 细胞和细菌 Halothiobacillus neapolitanus 上。断层图重构分两路:酵母和细菌用 IMOD 的 Etomo;U2OS 在 Scipion 里用 MotionCor2、CTFFIND5、AreTomo2,再用 cryo-CARE 降噪。所有断层图 bin 4 以后,膜用 MemBrain 默认参数检测,核糖体、细胞壁、羧酶体外壳和内腔用 Dragonfly 3D(2024.1)里自己训练的神经网络分割,全部在 Dragonfly 里手工清理后导到 ChimeraX 出图。文中没写具体网络结构。 第二篇是麦吉尔大学的 Philipp 等人,3D Electron Microscopy Reveals Diverse Chromosome Morphologies Across Dinoflagellate Species。他们自己采了 4 种甲藻、每种 3 个完整细胞核的 FIB-SEM(4 nm 体素),再加上公开数据库里另外 4 个物种的数据。处理全部在 Dragonfly 2024.1 里:拼接,用平方差和做层间配准,小波变换去条纹,3D 高斯平滑,裁出细胞核;每个核里手工标 5–8 张切片,训练 U-Net(深度 5 层,patch 64),每个细胞核单独训练一个模型,然后按 6 连通拆成单条染色体,最后再手工修一遍。导出单条染色体、Voronoi 模拟这些定制步骤是用 Dragonfly 内置的 Python 控制台写的。2138 条染色体里有 1810 条最后进入了球谐展开的形态分析。 两篇的思路我总结下来是:少量标注、单数据训练、分割后手工清理,不同的目标用不同工具(膜交给 MemBrain 这类专门工具,其他结构用通用网络)。 好处很明显,标几张就能出结果,数据之间染色、对比度、噪声差异大也不怕。问题是结果的一致性:每个核一个模型,不同核之间的分割标准是否一致,其实取决于标注的人前后是否一致。如果要比较不同物种或者不同处理组的体积、形态,这一点会直接影响结论。 想问问:你们会不会先训练一个基础模型,再对每个新数据少量标注做微调?还是像这两篇一样每次从头训?标注一般几张够? 源 DOI: - 10.64898/2026.10.15.759416 - 10.64898/2026.08.10.743404 |
» 猜你喜欢
申博
已经有7人回复
征友后感触
已经有9人回复
食品与机械 编辑C处理稿子时间
已经有4人回复
27年药学 考博申请
已经有6人回复
注意啦!用基金购买打印纸、硒鼓、优盘、移动硬盘、个人计算机属于违规了
已经有4人回复
为了不被淘汰,必须要开始第三次奋斗了
已经有12人回复
IVD领域内综述投稿推荐
已经有5人回复










回复此楼