VASCilia工具概述
VASCilia（Vision Analysis StereoCilia）是一个基于深度学习的开源工具，专门用于耳蜗毛细胞静纤毛束的三维分析。作为Napari平台的插件，它通过自动化处理三维共聚焦显微镜数据集，显著提升了分析效率。工具包含五个核心深度学习模型：Z聚焦跟踪器（ZFT）用于筛选三维图像堆栈中的相关切片；平面细胞极性对齐网络（PCPAlignNet）实现图像堆栈的自动方向校正；分割模型负责静纤毛束的识别与勾勒；音调位置预测工具定位耳蜗区域（基底、中间、顶端）；分类工具区分毛细胞亚型（如内毛细胞IHCs、外毛细胞OHCs）。此外，VASCilia提供自动化计算功能和测量能力，如体积、表面积、荧光强度量化等，并支持用户通过微调模型适应自身数据。
Z聚焦跟踪器性能
ZFT-Net作为自定义网络，在分类图像帧为三个区域（前细胞区PCZ、细胞清晰区CCZ、噪声饱和区NSZ）方面表现优异。与ResNet10、ResNet18等架构相比，ZFT-Net在所有评估指标（准确度、精确度、召回率等）上均最优，尤其实现了零切换错误，预测稳定。其优势在于适应图像降采样至256×256分辨率时，能更好保留空间特征。该模型确保了后续分析仅聚焦于结构清晰的CCZ区域，提升了处理效率。
平面细胞极性对齐实现
针对耳蜗图像堆栈的方向可变性，PCPAlignNet基于DenseNet121架构，通过数据增强（如旋转生成72个角度类别）训练，能自动将堆栈对齐至平面细胞极性轴。推理时，通过平均帧间预测分数确定最终旋转角，实现精准定向。这一步骤标准化了束的朝向，为后续形态测量奠定了基础。
三维实例分割流程
VASCilia采用二维检测结合多目标分配算法重建三维对象。训练集包含30个堆栈，测试集含典型与复杂案例各6个和4个。模型在典型测试集上交并比（IoU）为0.5时，平均F1分数和准确度分别达99.4%和98.8%；复杂案例下降至95.7%和91.9%。结果显示，模型能有效处理束间重叠、低对比度等挑战，如图3展示的紧密排列束的分离能力。通过三维IoU评估，预测与人工标注一致性高（人类标注者间平均IoU为0.70，模型与标注者间达0.74-0.76）。
自动化测量与验证
工具提供束高度测量，基于三维分割掩模计算尖基距离。与人工Fiji测量对比，Pearson相关性达0.942（VASCilia与标注者1），配对t检验无显著差异。荧光强度分析支持三种模式（全深度、共有深度、填充至最大深度），量化phalloidin信号，揭示野生型与Eps8 KO小鼠的强度差异（如KO组信号显著降低）。纹理特征（GLCM能量、对比度等）进一步量化了Cdh23-/-模型的束紊乱程度，分类器准确率达94.5%。
案例研究与应用
在Eps8 KO模型中，VASCilia量化了束高度缩短及phalloidin信号降低，证实Eps8对静纤毛肌动蛋白结构的必要性。针对Cdh23-/-模型，纹理分析显示束组织异质性增加，突显工具在复杂表型分析中的优势。音调位置预测模型（基于ResNet50）准确区分耳蜗基底、中间、顶端区域，准确率达97%。毛细胞行分类（IHC、OHC1-3）中，深度学习法显著优于K均值与高斯混合模型，尤其在顶端非线性区域误差率更低。
工具优势与局限
VASCilia作为首款针对耳蜗研究的开源工具，解决了传统方法劳动密集、通量低的问题。其用户友好界面支持批量处理和结果重载，促进合作。但与商业软件相比，其分割质量受图像质量影响，未来需扩展至单静纤毛分辨率分析。模型通过整合多实验室数据（如P5、P21小鼠、Liberman Lab数据集），展现了基础模型潜力，鼓励社区数据共享以提升泛化能力。
方法细节
实验数据来自C57BL/6J小鼠耳蜗样本，经共聚焦显微镜成像。分割模型基于Detectron2框架（Mask R-CNN架构），训练周期5万次。所有计算在本地工作站（NVIDIA RTX 4080）完成，依托PyTorch和Napari平台实现。
