ROIsGAN：基于区域引导的Murine Hippocampal Subregion分割的生成对抗网络框架
图像与视频处理
2026-03-17 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
小鼠海马是参与记忆处理及各种神经退行性和精神疾病的关键脑结构，由三个关键亚区域组成：牵针丘（DG）、角化层 Ammonis 1（CA1）和角化层 Ammonis 3（CA3）。准确分割这些亚区域对于理解疾病机制、发育动力学和治疗干预至关重要。然而，现有方法尚未针对组织切片（尤其是免疫组织化学（IHC）图像）中的小鼠海马亚区域进行自动化分割。为弥合这一差距，我们引入了一套四套全面的小鼠海马IHC数据集，包含不同的染色模式：cFos、NeuN，以及融合cFos、NeuN和{\Delta}FosB或GAD67的多染色，捕获结构、神经活动和可塑性相关信息。此外，我们提出ROIsGAN，一个针对海马亚区域分割的区域引导U-Net生成式对抗网络。通过利用对抗学习，ROIsGAN通过一种新颖的区域引导判别器损失（结合Dice和二元交叉熵损失）来增强边界描绘和结构细节细化。在DG、CA1和CA3亚区域上评估，ROIsGAN consistently优于传统分割模型，在Dice得分提升1%-10%，在交并比（IoU）上提升最高可达11%，尤其在具有挑战性染色条件下效果显著。我们的工作为自动化海马分割提供了基础数据集和方法，使神经科学研究中对组织图像的可扩展高精度分析成为可能。我们生成的数据集、提出的方法作为独立工具以及其对应的源代码均公开于：https://github.com/MehediAzim/ROIsGAN
引用
@article{arxiv.2505.10687,
title = {ROIsGAN: A Region Guided Generative Adversarial Framework for Murine Hippocampal Subregion Segmentation},
author = {Sayed Mehedi Azim and Brian Corbett and Iman Dehzangi},
journal= {arXiv preprint arXiv:2505.10687},
year = {2026}
}