拓扑保持轮廓形状融合：构建精准基准数据与平均形状的创新方法

《Scientific Reports》：Topology-preserving contourwise shape fusion

在生物研究中，细胞形状分析对评估分割算法至关重要，注释融合是关键却极具挑战。研究人员开展 “拓扑保持轮廓形状融合” 研究，提出 SATM 方法。实验表明，SATM 在保留形态特征和拓扑结构上表现出色，为构建参考数据和计算平均形状提供可靠方法。

　　在生物研究的微观世界里，细胞就像一个个神秘的小宇宙，它们的形状蕴含着巨大的信息宝藏。细胞形态与细胞功能紧密相连，甚至能作为疾病的病理标志物，帮助科学家们窥探生命的奥秘以及疾病发生发展的机制。在评估细胞分割算法时，需要精确的参考数据，这通常通过融合多位专家的注释来获得。然而，注释融合可不是一件容易的事，它面临着诸多难题。比如，现有的注释融合方法分为像素级和轮廓级两类，像素级方法虽然灵活，但无法保证保留输入形状的形态特征；轮廓级方法虽能整体处理形状、保留形态特征，但计算复杂，对轮廓变化的异常值也较为敏感 ，容易导致精细尺度的形态特征被平滑掉。为了解决这些问题，来自捷克马萨里克大学（Masaryk University）的研究人员 Aleksandra Melnikova、Martin Ma?ka 和 Petr Matula 开展了一项关于 “拓扑保持轮廓形状融合” 的研究。他们提出了一种名为形状感知拓扑保持均值（SATM）的轮廓级融合方法，旨在克服现有方法的弱点，为构建基准数据和计算平均形状提供更可靠的方案。该研究成果发表在《Scientific Reports》上，为相关领域带来了新的思路和突破。
研究人员在研究过程中运用了多种关键技术方法。首先是关键点提取，通过定义检测函数f(S,α)来识别形态特征，如选择测地极大值和极小值，必要时添加高负曲率点作为关键点；其次是关键点匹配，利用匈牙利算法（Hungarian algorithm）实现关键点的一对一匹配，并引入相对测地长度坐标lki?提高匹配稳定性；最后是分段轮廓平均，对匹配关键点间的轮廓段进行算术平均、加权算术平均或选择中位数轮廓进行处理。研究中使用的数据集包括来自细胞追踪挑战（Cell Tracking Challenge，CTC）的复杂形状细胞数据，以及树叶和昆虫的真实数据集。
下面来看具体的研究结果：

1. SATM 变体比较：研究人员对比了 SATM 的 6 种不同版本，包括之前的 SAT 算法。结果显示，改进的匹配策略使算法更稳定，添加测地极小值和权重γ能提升算法精度。中位数平均策略虽在 Jaccard 指数（JAC）和 Hausdorff 距离（HD）指标上表现欠佳，但在处理简单形状时对形状特征（如周长）的保持效果较好。综合评估后，SATM (MM3) 表现最佳，被选用于后续与其他融合算法的比较实验。
2. 融合方法比较：研究人员将 SATM 与 5 种常用的融合方法（3 种像素级方法 MV、STAPLE、RBF 和 2 种轮廓级方法 GEMS、KM）进行对比。结果发现，像素级方法都无法保留拓扑结构，GEMS 也因薄突起的移位无法保留拓扑。SATM 和 KM 虽能保证拓扑，但 GEMS 稳定性差，KM 对轮廓的平滑处理使其在 JAC 和 ROUND 指标上得分较低。SATM 在 HD 和 ROUND 指标上表现最佳，RBF 在 PERI 指标上得分最高且 JAC 性能稳定。总体而言，SATM 在保证拓扑、保留突起和稳定性方面表现出色。
3. 排名影响研究：研究人员利用来自 CTC 的 8 个测试数据集，研究参考数据替换对细胞分割算法排名的影响。通过计算 Kendall’s tau 相关系数发现，MV、STAPLE、RBF 和 SATM 方法对排名影响较小，可互换用于创建参考数据；GEMS 和 KM 参考数据则导致排名差异较大，这主要是因为 KM 对异常值敏感，GEMS 受细胞大小和注释者间差异影响。此外，由于多数 CTC 数据集的细胞形状不复杂，注释数量少且变异大，多数融合方法在该实验中结果相似。
4. 平均形状估计：研究人员在树叶和昆虫数据集上测试各算法计算平均形状的能力。结果表明，轮廓级方法在处理不能精确对齐、包含异常值和形态特征缺失或错位的形状时，表现优于像素级方法。SATM 在两个数据集上均表现最佳，能有效处理异常值和不对齐问题，保留输入形状的拓扑和形态特征，生成的平均形状视觉质量也更好。
   在研究结论和讨论部分，SATM 在处理复杂形状且需保留形状突起的情况时优势明显。与像素级方法相比，在输入形状有薄突起或不能精确对齐时，SATM 表现更优；与其他轮廓级方法相比，它兼具稳定性和高得分，且能有效保留拓扑和形态特征。像素级方法虽速度快，但更适用于简单形状的处理。此外，研究还证实了轮廓级融合方法可与像素级方法一同用于创建参考数据，尤其对于复杂形状细胞，轮廓级方法能避免像素级方法可能导致的重要形态特征丢失问题。SATM 是唯一能同时保证保留拓扑、获得高得分和稳定性，以及最佳保留突起能力的方法。该研究为细胞形状分析、分割算法评估等领域提供了更可靠的工具和方法，有助于推动生命科学和健康医学领域的相关研究进展。未来，研究人员计划探索和量化 3D 空间中的融合方法，有望为相关领域带来更多突破和创新。