细胞分割是基于显微镜的生物学研究中的基础性任务，其对于定量图像分析至关重要。随着深度学习技术的快速发展，二维（2D）细胞分割得到了显著改进，使得跨细胞类型和成像模式的通用解决方案成为可能。然而，三维（3D）细胞分割仍面临诸多挑战，尤其是在需要对2D切片进行密集标注的情况下，手动标注3D细胞以训练广泛适用的分割模型在实际操作中既耗时又不可行。即使在高对比度图像中，标注也可能存在歧义和耗时的问题。为了解决这些挑战，我们开发了一种理论和工具包——u-Segment3D，它能够将任何2D方法生成的像素级实例细胞掩膜转化为3D共识实例分割，无需额外训练数据。通过在11个真实数据集上的测试，这些数据集包含超过70,000个细胞，涵盖单细胞、细胞聚集体和组织，我们验证了u-Segment3D的可行性。此外，u-Segment3D在某些情况下甚至优于原生的3D分割方法，特别是在细胞密集且形态复杂的情况下。
在生物学研究中，细胞的实例分割是识别和测量对象（如细胞、细胞器、细菌、植物、器官等）的关键步骤。传统上，当细胞孤立、对比度高且照明均匀时，可以通过强度阈值分割和连通性分析来实现。然而，这些情况在实际应用中并不常见，因为细胞往往以复杂的形态聚集在一起，使得简单的阈值分割难以有效分离。此外，用于可视化细胞结构的成像过程可能导致前景强度信号较弱、部分、稀疏或非特异性。因此，开发一种能够处理这些复杂情况的3D细胞分割方法成为研究的重点。
近年来，随着GPU架构的进步和公开标注数据集的可用性，通用或“基础”2D细胞分割模型已经广泛应用于交互式分割（如μSAM、CellSAM）和密集分割（如Cellpose和Transformer模型）。这些方法利用“大数据”和训练集中多样性，实现了在不同成像模式和细胞类型上的出色性能。然而，将这些方法直接扩展到3D分割仍然面临挑战，因为需要大量的高质量3D标注数据和更多的计算资源。因此，如何在不依赖3D标注数据的情况下，利用已有的2D分割结果生成3D分割成为研究的核心问题。
u-Segment3D提出了一个从2D到3D分割的连续性框架，它统一了现有的分割方法，并展示了在不同形态的细胞和组织中，如何通过2D分割结果生成高精度的3D共识分割。该方法基于一个优化问题，通过重建每个细胞的3D中轴线（medial-axis skeleton）的距离变换表示，然后使用梯度下降和空间连通性分析来优化3D细胞的重建。这种方法不仅适用于单细胞，还能处理细胞聚集体和组织的复杂结构。u-Segment3D在多个真实数据集上得到了验证，其性能优于现有的3D分割方法，并且能够处理高密度和复杂形态的细胞。
为了进一步提升3D分割的准确性，u-Segment3D还引入了后处理方法，包括标签扩散和引导滤波。这些方法能够恢复2D分割无法捕捉的高频、高曲率的亚细胞结构，如细胞膜的突起和细胞器的分支结构。通过这些后处理步骤，u-Segment3D能够更精确地捕捉细胞的表面特征，从而提高分割的完整性。此外，u-Segment3D还实现了并行计算，以支持大规模组织的分割任务。这种方法利用CPU集群进行并行处理，将图像分割任务分解为多个重叠的子体积，每个子体积进行独立的梯度下降和连通性分析，最后通过全局的连通性分析生成完整的3D细胞分割。这种并行计算方式显著提高了处理效率，使得在大规模数据集上进行细胞分割成为可能。
u-Segment3D的优势在于其通用性和可扩展性。无论细胞的形态如何，它都能通过调整参数来实现准确的3D分割，而无需额外的训练数据。这使得u-Segment3D在不同的细胞类型和成像模式中具有广泛的应用前景。此外，u-Segment3D还能够处理不同数量的正交视图，如仅使用一个视图或两个视图，甚至所有三个视图，从而在不同的实验条件下保持良好的性能。这种方法不仅适用于常规的显微镜成像，还能处理高分辨率的光片显微镜成像，如在细胞迁移和组织结构研究中的应用。
在实际应用中，u-Segment3D能够处理各种复杂的成像数据，如具有高曲率和分支结构的细胞网络，以及具有弱信号和不均匀照明的细胞图像。通过调整梯度下降的参数，如时间衰减率（τ）和梯度步长（η），u-Segment3D能够更有效地重建3D细胞形态，特别是在细胞密集和形态复杂的情况下。此外，u-Segment3D还能够通过平滑处理和引导滤波来恢复被遗漏的高频表面结构，从而提高分割的准确性。
u-Segment3D的开发为细胞分割领域带来了重要的创新。它不仅解决了传统3D分割方法在处理复杂形态细胞时的局限性，还提供了一种无需额外训练数据的通用解决方案。这种方法的理论基础在于将2D分割结果通过连续的数学优化过程转化为3D共识分割，从而避免了离散标签匹配和缝合带来的错误。此外，u-Segment3D的后处理步骤能够有效恢复亚细胞结构，使得分割结果更加精确和完整。
在实际应用中，u-Segment3D已经成功应用于多个生物学研究领域，包括细胞形态学分析、组织工程、癌症研究和神经科学。通过使用u-Segment3D，研究人员能够更高效地处理大规模的3D图像数据，从而获得更准确的细胞分割结果。这种方法不仅提高了分割的精度，还减少了标注和训练的时间成本，使得3D细胞分割更加可行和实用。
总之，u-Segment3D提供了一种创新的、通用的3D细胞分割方法，能够有效解决传统3D分割方法的局限性。它通过将2D分割结果转化为3D共识分割，实现了对复杂细胞形态的准确重建。这种方法不仅适用于常规的显微镜成像，还能处理高分辨率的光片显微镜成像，为细胞生物学研究提供了强大的工具支持。此外，u-Segment3D的后处理步骤能够恢复被遗漏的高频亚细胞结构，从而提高分割的完整性。通过并行计算和参数调整，u-Segment3D能够在不同的实验条件下保持良好的性能，为大规模的3D细胞分割任务提供了可行的解决方案。
生物通微信公众号
