MTFlow：用于噪声显微图像中微管分割的时间条件流匹配

微管是在许多细胞过程中发挥关键作用并作为多种疾病关键治疗靶点的细胞骨架丝。微管网络的精确分割对于研究其组织和动力学至关重要，但由于丝状物弯曲、密集交叉和图像噪声而仍具挑战性。我们提出了MTFlow，一种用于微管分割的新型时间条件流匹配模型。与单次预测掩膜的传统U-Net变体不同，MTFlow学习向量场，将噪声掩膜迭代地传输至真实值，从而实现可解释的、基于轨迹的细化。我们的架构将U-Net主干与时间嵌入相结合，使模型能够捕捉沿丝状物边界的不确定性消解动力学。我们在合成和真实微管数据集上训练并评估了MTFlow，并在视网膜血管和神经等曲线结构的公共生物医学数据集上评估了其泛化能力。MTFlow实现了与SOTA模型相当的具有竞争力的分割精度，为丝状结构分析提供了一种强大且时间高效的工具，其标注比手动或半自动方法更为精确。