| 查看: 42 | 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 |
回复此楼» 猜你喜欢
越来越担心硕士毕业后没有竞争力了
已经有14人回复
-
论文的挂名怎么评判贡献？基金申请中，排名第一的挂名文章
已经有3人回复
-
申博自荐 2篇一区TOP+1篇EI+2公开发明专利 2027博士申请
已经有3人回复
-
闲聊
已经有6人回复
-
申博求助
已经有4人回复