亮 4B：规模化球面学习在 3D 亮场显微镜分割中
计算机视觉与模式识别
2025-12-30 v1 人工智能
机器学习
摘要
无标签的 3D 亮场显微镜提供了快速且无创的方式来表征细胞形态，但鲁棒的体积分割通常仍依赖荧光或重型后处理。我们通过引入 Bright-4B，一个在单位球面上学习的 40 亿参数基础模型来弥合这一差距，实现对 3D 亮场体积中亚细胞结构的分割。Bright-4B 结合了硬件对齐的本体稀疏注意力机制（捕获局部、粗糙和选定全局上下文）、深度宽度残差超连接以稳定表示流动，以及用于自适应容量的软混合专家。一个即插即用的各向异性 patch embed 进一步尊重共聚焦点扩散和轴向稀薄，实现几何忠实的 3D 标记化。该模型从亮场堆栈中直接对核仁、线粒体及其他小器官进行形态准确的分割——无需荧光、辅助通道或手工后处理。跨越多个共聚焦数据集，Bright-4B 在深度和细胞类型之间保持细微结构细节，超越当代 CNN 和 Transformer 基线。所有代码、预训练权重和用于下游微调的模型都将被发布，以推动大规模、无标签的 3D 细胞映射。
引用
@article{arxiv.2512.22423,
title = {Bright 4B: Scaling Hyperspherical Learning for Segmentation in 3D Brightfield Microscopy},
author = {Amil Khan and Matheus Palhares Viana and Suraj Mishra and B. S. Manjunath},
journal= {arXiv preprint arXiv:2512.22423},
year = {2025}
}
备注
20 pages, 15 figures