方法论: 自动器官器官图像分割质量逼近人类水平

器官器官是复杂的三维自组织细胞培养物，表现出器官-like特征，代表了研究人类疾病和 developing 治疗选项的强大平台。器官器官发育以动态形态和细胞组织构成为特征，模拟某些器官发育方面。为研究器官器官发育过程中这些快速变化，先进的成像和分析工具至关重要，以准确监控器官器官生长轨迹并探讨疾病过程。在本工作中，我们专注于计算机视觉和机器学习技术，用于自动测量来自多能干细胞(iPSC)的发育球形体的大小和形状，这些球形体通常是生成器官器官培养物的起始材料。为促进此任务，我们引入一种复合方法，将Segment Anything Model(SAM)——一种通用基础模型——与现有特定领域工具结合。该复合方法与几个现有工具一起在器官器官图像数据上进行评估，并与手动图像分割结果进行比较。我们发现，没有单个现有工具能够在所有测试条件下准确分割测试图像，但新引入的复合方法在除极少数最具挑战性图像之外的所有情况下都产生一致且准确的结果。最后，我们将该方法的准确性与独立注释员之间的手动分割变异性(注释员间变异性)进行比较，并发现该方法在一个度量标准上达到注释员间变异性水平，在其他度量标准上则非常接近。