基于深度学习的斑马鱼图像分割方法的比较研究

基于深度学习的斑马鱼图像分割模型系统评估与优化研究。通过统一数据集和预处理流程，对比分析U-Net、DeepLabv3+、SAM等11种分割模型在Dice系数、IoU等指标上的表现，发现高分辨率保持、上下文聚合机制和注意力机制可显著提升复杂器官结构及表型异常的检测精度，Transformer架构在全局依赖建模方面具有优势。本研究为高通量毒性筛选和形态学量化提供技术支撑与理论依据。

陈远|陈健|江亚晨|郑亚丹|于彩红|林莉|江竹武

福建工业大学电子电气工程与物理学院，福州，350118，福建，中国

摘要

本研究系统评估了几种基于深度学习的分割网络在斑马鱼图像分析中的应用效果。使用相同的数据集和预处理流程，我们选择了十一种具有代表性的分割模型，包括U-Net、SegNet、PSPNet、DeepLabv3+、Attention U-Net、HRNet、SegFormer、MASNet、Segment Anything Model (SAM)、PVT-EMCAD和RWKV-UNet。通过Dice系数、交并比和平均像素准确率等多种评估指标，全面比较了这些模型的性能。定性评估与定量评估相结合，以分析和比较这些模型在检测斑马鱼复杂器官结构和表型异常方面的有效性。实验结果表明，高分辨率保持能力、上下文聚合机制和注意力机制是提高小结构检测和边界划分准确性的关键因素，而Transformer架构在全局依赖关系建模方面也显示出显著优势。本研究为斑马鱼图像的高通量毒理学筛选和形态学量化提供了一种通用技术和理论支持。

引言

由于斑马鱼具有独特的生物学特性，它们被广泛用作生命科学领域的模式生物。例如，在发育生物学研究中，斑马鱼胚胎是透明的，可以通过显微镜进行实时发育跟踪。同时，它们的基因组与人类高度同源，易于进行基因操作。此外，斑马鱼还被广泛应用于遗传学、神经科学和药理学等科学领域。特别是，斑马鱼为毒理学安全评估和新药筛选提供了一个高效的体内实验平台，因为可以利用斑马鱼模型来检测环境污染物或药物化合物的毒性及其生物效应（Gowtham等人，2023年）。斑马鱼繁殖周期短、体型小且繁殖成本低，使其成为发育生物学研究和大规模药物筛选中不可或缺的实验动物模型。

在斑马鱼相关实验中，显微成像被广泛用于获取胚胎或幼体的图像数据。图像分割是从数据中提取有效信息的关键步骤。精确分割目标组织结构对于研究人员定量分析形态变化、功能参数和荧光信号分布至关重要（Efromson等人，2023年）。然而，手动分割和标注斑马鱼图像不仅耗时费力，也无法满足高通量实验的需求（Yamaguchi等人，2025年）。例如，在评估斑马鱼下颌骨的发育以检测成骨细胞药物的效果时，研究发现手动检测测量区域成为限制实验的瓶颈（Kumar等人，2021年）。因此，为了提高效率并确保结果的一致性，迫切需要开发能够替代繁琐且主观的手动操作的自动斑马鱼图像分割技术。

深度学习的最新进展显著提升了图像分割性能，这些技术已广泛应用于生物医学图像分析（He等人，2016年；Dosovitskiy等人，2020年；Ma等人，2023年；Li等人，2024年；Zhou等人，2024年）。各种卷积神经网络架构极大地提高了分割的准确性，甚至彻底改变了传统方法在医学图像分割中的表现（Burke，2024年）。这一趋势现已渗透到斑马鱼成像研究中。许多研究使用基于深度学习的方法实现了自动斑马鱼图像分割。一个典型的应用是采用改进的U-Net架构进行斑马鱼心脏分割，从而能够量化心脏腔室体积等发育生物标志物（Naderi等人，2021年）。一些研究利用深度学习分割斑马鱼胚胎的血管结构，并实现了血管生长的定量评估（Burke，2024年）。这些进展展示了深度学习在解决复杂生物图像分割任务方面的潜力，为之前需要手动处理的难题提供了有效的解决方案。

基于深度学习的斑马鱼图像分割在效率和效果上均显著优于传统方法。首先，基于深度学习的模型实现了更高的分割准确性和更强的鲁棒性，大幅减少了手动分割中的主观误差，并在多种实验条件下保持了结果的一致性（Zhang等人，2021年）。其次，自动分割算法显著提高了处理速度和吞吐量，最先进的架构能够在几分钟内分析数万张斑马鱼显微图像（Jones等人，2024年）。这种高效率使得大规模图像数据集分析成为可能，并为近乎实时的处理能力奠定了基础。此外，基于深度学习的方法可以从三维时间序列图像中提取详细的定量信息，最近的研究验证了即使在样本量有限的情况下也能得出统计上稳健的结论（Lempereur等人，2022年）。相比之下，传统的手动方法或简单的阈值和形态学分割方法往往无法处理复杂的斑马鱼图像。因此，基于深度学习的框架大大提升了现代分割方法的自动化水平和分析深度。

为了研究基于深度学习的斑马鱼图像分割方法，我们应用已建立的基于深度学习的分割方法，使用一个可用的数据集（Dong等人，2023年）生成了明场斑马鱼幼体显微图像的高精度分割结果。本研究系统选择了十一种具有代表性的基于深度学习的分割架构进行对比分析，包括U-Net（Ronneberger等人，2015年）、SegNet（Badrinarayanan等人，2017年）、PSPNet（Zhao等人，2017年）、DeepLabv3+（Chen等人，2018年）、Attention U-Net（Oktay等人，2018年）、HRNet（Sun等人，2019年）、SegFormer（Xie等人，2021年）、MASNet（Fu等人，2023年）、Segment Anything Model (SAM)（Kirillov等人，2023年）、PVT-EMCAD（Rahman等人，2024年）和RWKV-UNet（Jiang等人，2025年）。通过分类和讨论，分析了这些网络在异常表型识别和重要器官结构准确分割方面的能力。此外，还采用了Dice系数、交并比（IoU）、平均像素准确率（mPA）和精确度等多种评估指标，全面评估了这些模型，系统地研究了不同网络架构和特征融合策略对分割准确性和计算效率的影响。

在后续章节中，第2节将描述本研究中使用的斑马鱼数据集。第3节详细介绍了分割方法，包括网络结构、训练策略和超参数配置。第4节提供了实验细节、综合评估指标和比较结果。第5节总结了研究内容，并讨论了未来工作的潜在方向。

数据集构建

本研究使用的数据包含1328张明场显微图像，这些图像捕捉了受精后0至120小时的斑马鱼胚胎（Dong等人，2023年）。根据Dong等人（2023年）的研究，真实标注是使用LabelBox（一个用于AI辅助标注的在线平台）创建的，并与数据集一起发布。我们重新使用了这些官方标注，它们以JSON文件的形式提供在公共斑马鱼检测仓库中。

方法

我们通过比较这些模型在斑马鱼数据集上的性能，系统评估了八种具有代表性的分割网络。根据架构特点，它们被分为两类：基于编码器-解码器的网络和基于上下文聚合的网络。本研究采用的工作流程如图2所示。

实验环境

斑马鱼分割实验是在Ubuntu 20.04操作系统上进行的，使用了NVIDIA A100-SXM4-40GB GPU（驱动程序535.104.05，CUDA 12.2）。模型在PyTorch（Python 3.8）中实现，并使用CUDA和cuDNN进行训练和推理加速。

我们采用迁移学习方法，通过用ImageNet（Russakovsky等人，2015年）和PASCAL VOC 2012（Everingham等人，2010年）预训练的权重初始化每个模型，然后在相同的协议下在斑马鱼数据集上进行微调，以比较这两种方法的效果。

讨论

在本研究中，我们使用统一的数据集、训练协议和评估指标，对十一种基于深度学习的分割网络进行了控制比较，用于斑马鱼图像分析。在ImageNet和PASCAL VOC 2012的预训练中，HRNet、PVT-EMCAD、MASNet和RWKV-UNet的表现始终处于最强模型之列，而传统的编码器-解码器架构如UNet、SegNet、DeepLabv3+和Attention U-Net虽然表现稳健，但并未处于领先地位。

CRediT作者贡献声明

陈远：撰写——原始草稿，软件，方法论。 陈健：撰写——审阅与编辑，监督，方法论，资金获取，概念化。 江亚晨：撰写——原始草稿，验证，软件。 郑亚丹：撰写——原始草稿，验证，软件。 于彩红：撰写——审阅与编辑，资金获取。 林莉：撰写——审阅与编辑，监督，软件。 江竹武：撰写——审阅与编辑，验证，资金获取，概念化。

未引用参考文献

Reinke等人（2021年）

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究部分得到了福建省自然科学基金（编号：2023J01953）、福建省本科高校教育教学研究项目（编号：FBJY20240076）、福建省高等教育学会高等教育科学研究项目（编号：ZD202305）以及福建省青年教师教育研究项目（编号：KY810204）的支持。