IonMorphNet：用于质谱成像峰检测的离子图像形态通用学习
计算机视觉与模式识别
2026-04-22 v1
摘要
峰检测是质谱成像（MSI）中的基础预处理步骤，每个样本由数百至数千个离子图像表示。现有方法需要仔细的任务特定超参数调优，且常常难以在不同获取协议之间推广。我们引入 IonMorphNet，这是一种针对离子图像的空间结构感知表示模型，使其能够在无任何任务特定监督的情况下进行峰检测。我们精选了 53 个公开可用的 MSI 数据集，并定义六种结构类来捕获离子图像中代表性的空间模式，以用于训练标准图像 backbone 进行结构模式分类。一旦训练完成，IonMorphNet 即可在无需额外超参数调优的情况下对离子图像进行评估并执行峰检测。使用 ConvNeXt V2-Tiny backbone，我们的方法在多个数据集上将峰检测性能提高了 +7% mSCF1。除了峰检测，我们演示了基于空间感知通道降低的 3D CNN 可用于基于 patch 的肿瘤分类 in MSI。该方法在三个肿瘤分类任务中相对于像素级光谱分类器提升了最高可达 +7.3% 的平衡准确率，表明具有意义的离子图像选择是可行的。源代码和模型权重均可在 https://github.com/CeMOS-IS/IonMorphNet 获取。
关键词
引用
@article{arxiv.2604.19369,
title = {IonMorphNet: Generalizable Learning of Ion Image Morphologies for Peak Picking in Mass Spectrometry Imaging},
author = {Philipp Weigand and Niels Nawrot and Nikolas Ebert and Carsten Hopf and Oliver Wasenmüller},
journal= {arXiv preprint arXiv:2604.19369},
year = {2026}
}
备注
This paper has been accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2026