MTCurv：基于深度学习的噪声荧光显微镜图像中直接微管曲率映射

准确量化曲线生物学结构的几何对于理解细胞机械和疾病相关形态改变至关重要。微管曲率是描述纤维刚性和机械扰动的关键特征。然而，由于噪声、低对比度和部分纤维可见性不足，从荧光显微镜图像中可靠提取曲率仍具有挑战性。现有方法依赖包含预处理或后处理的分割流程，这些方法对分割误差高度敏感，往往在不良成像条件下失败。在本工作中，我们提出了 MTCurv，一个用于从噪声显微镜图像中直接、无分割的微管曲率图回归的深度学习框架。我们利用具有像素级曲率注释的合成数据集，将曲率估计重新表述为回归问题，并改进了基于注意力的残差 U-Net。为减少幻觉并实现空间一致性，我们引入了结合均方误差与梯度一致性项的梯度感知损失。除了模型和损失设计外，我们评估了常用的回归和图像质量指标，发现许多感知和盲测指标不适用于曲率估计。相关系数指标，特别是斯皯尔曼相关系数， emerged as more reliable indicators of curvature prediction quality。在两个难度递增的数据集上的实验表明，MTCurv 能够准确恢复即使在背景荧光存在下的局部微管曲率。消融研究突出了残差编码和注意力解码的贡献。总体而言，本工作提供了一个实用的纤维曲率分析工具，以及面向生物医学成像中几何感知回归的实践见解。数据集和代码已公开。