一个基于深度学习的工具包，用于心室心肌细胞的3D分割

《Journal of Physiology》：A deep learning-enabled toolkit for the 3D segmentation of ventricular cardiomyocytes

心脏肌细胞3D分割是理解心脏生理和病理的关键，但面临实验和分析挑战。本文提出了一种深度学习工具箱，结合图像恢复和自动分割流程，适用于多种物种和实验条件。数据集包含73个3D confocal显微镜体积，经过专家注释，并开发了图形用户界面以提高效率。

　　在心脏研究领域，理解心肌细胞（cardiomyocytes）的三维结构是揭示心脏在健康与疾病状态下功能机制的关键。然而，这一任务面临诸多实验和分析上的挑战，特别是在高分辨率的三维共聚焦显微镜图像中，心肌细胞的复杂几何形态和紧密排列使得其分割变得困难重重。传统的二维分割方法虽然在某些情况下被广泛使用，但它们往往无法准确反映细胞的真实三维结构，从而可能导致偏差或错误的结论。为此，研究人员开发了一种基于深度学习的工具包，能够实现对心肌细胞的高效三维分割，并提供了经过专家标注的开放数据集，涵盖多个物种和不同的实验条件。这项研究不仅提供了强大的分析工具，还展示了其在跨物种和实验条件下的广泛适用性，为未来的心脏功能建模提供了高质量的三维数据支持。

心肌细胞的三维分割之所以重要，是因为它们的结构直接关系到心脏的收缩力和电生理特性。在病理条件下，如心肌梗死、心力衰竭和心房颤动，心肌细胞的结构会发生显著改变，这些改变对心脏功能具有深远影响。因此，通过准确的三维分割方法，研究人员可以更全面地评估心肌细胞的形态变化和组织重构，从而更深入地理解疾病的发生机制和治疗靶点。然而，传统的二维分割方法通常假设切割平面是正交于细胞主轴的，这在实际操作中并不总是可行。由于心肌细胞在心脏壁中的取向会随位置变化，这种假设可能导致对细胞尺寸和面积的高估，从而影响研究的准确性。三维分割技术能够克服这一局限，提供更真实的细胞结构信息，这对于构建准确的计算模型至关重要。

为了应对这些挑战，研究团队开发了一套深度学习驱动的工具包，结合了图像修复和分割流程。这一工具包不仅能够处理来自不同物种和实验条件下的数据，还支持多种成像模式，如共聚焦显微镜和二维光片显微镜。其中，图像修复模块专门针对成像过程中可能出现的空间变化模糊问题，通过生成不同信号强度和模糊程度的配对图像，训练神经网络以恢复图像的清晰度和结构。这种方法显著提高了图像的质量，使得后续的分割更加准确。此外，研究团队还开发了一个名为“SegmentPuzzler”的交互式分割工具，允许研究人员快速标注和校对分割结果，提高了处理效率。

在实验方法上，研究团队使用了多种动物模型，包括小鼠、大鼠、兔子、猪、马和大象，以确保其方法的跨物种适用性。这些动物样本在不同的实验条件下被采集，如心肌梗死模型和体外组织培养模型。为了提高样本的图像质量，团队采用了一种基于被动折射率匹配的样本制备方法，这种技术减少了光散射和组织收缩的影响，使得细胞边界更加清晰。此外，研究团队还使用了多种神经网络模型，如基于CARE和LUCYD的图像修复模型，以及基于U-Net的自动分割方法，这些模型在不同的实验条件下表现出了良好的鲁棒性。

在性能评估方面，研究团队使用了多种定量指标，如适应的Rand误差（Adapted Rand Error）和分割错误率（Split and Merge Errors）。其中，适应的Rand误差用于衡量分割结果与真实标注之间的匹配程度，而分割错误率则用于评估过分割和欠分割的情况。结果显示，基于深度学习的自动分割方法在大多数情况下表现优异，其中DTWS-MC方法在分割准确性和处理速度上均优于其他方法。此外，研究团队还提供了详细的对比实验，证明其方法在处理不同物种和实验条件下的数据时，依然能够保持较高的分割质量。

研究团队还展示了其方法在实际应用中的潜力。例如，他们利用三维分割技术分析了心肌梗死后的心肌组织，发现心肌细胞的体积分数显著下降，而WGA阳性细胞外空间的体积分数则上升。这表明，在心肌梗死区域，心肌细胞的结构发生了明显变化，这种变化可以通过三维分割技术得到准确量化。此外，他们还分析了不同物种心肌细胞的形态特征，如长度、宽度、体积和横截面积，这些数据可以用于比较不同物种之间的结构差异，从而揭示心脏结构的进化和适应性。

在应用层面，这项研究不仅限于基础的心肌细胞结构分析，还拓展到更复杂的计算模型中。例如，通过使用真实的心肌细胞三维结构，研究人员可以构建更精确的电生理和机械模型，以模拟心脏在不同条件下的功能表现。这些模型对于理解心脏的病理机制、评估药物疗效以及开发新的治疗策略具有重要意义。此外，研究团队还强调了其方法在跨物种研究中的价值，特别是在比较不同物种心肌细胞结构时，能够提供一致的量化标准，减少实验间的可变性。

尽管研究团队的方法已经取得了显著进展，但仍然存在一些局限性。例如，WGA标记方法虽然能够有效显示细胞边界，但其间接标记特性可能导致某些结构的识别不准确。此外，样本的年龄、性别和取样位置等变量可能会影响分割结果，因此，未来的研究需要更加标准化的样本采集和处理流程。同时，研究团队还指出，尽管其方法在处理三维数据时表现优异，但在某些特殊情况下，如细胞取向发生显著变化时，仍然需要人工校对以确保分割的准确性。

总的来说，这项研究为心脏三维结构分析提供了一个强大的工具包和开放数据集，不仅提高了心肌细胞分割的效率和准确性，还为未来的跨物种和跨实验条件的研究提供了坚实的基础。随着深度学习技术的不断进步，这种方法有望在更多领域得到应用，如心血管疾病研究、心脏功能建模和生物医学工程。此外，研究团队还强调了其方法在减少实验时间和成本方面的优势，使得更多研究人员能够访问和使用这些数据，推动心脏研究的进一步发展。