利用高分辨率光片数据实现可泛化的全脑表征
计算机视觉与模式识别
2026-04-01 v1 机器学习
摘要
亚细胞分辨率的全脑三维显微成像数据正以前所未有的视觉细节揭示生物结构，这得益于完整组织处理和光片荧光显微镜(LSFM)的最新进展。这些体数据提供了丰富的形态学和空间细胞信息，然而缺乏针对这些PB级数据量身设计的可扩展数据处理和分析方法，对准确解读构成重大挑战。此外，现有用于视觉任务（如目标检测与分类）的模型难以泛化到此类型数据。为加速合适方法和基础模型的开发，我们呈现了CANVAS，一套全面的高分辨率全小鼠脑LSFM基准数据集，涵盖六种神经元和免疫细胞类型标记，以及细胞标注和排行榜。我们还展示了基线模型在泛化方面的挑战，尤其是由于细胞形态在表型和解剖位置上的异质性。据我们所知，CANVAS是首个也是最大的在亚细胞水平捕捉完整小鼠脑组织的LSFM基准数据集，并包含全脑广泛的细胞标注。
引用
@article{arxiv.2603.29842,
title = {Toward Generalizable Whole Brain Representations with High-Resolution Light-Sheet Data},
author = {Minyoung E. Kim and Dae Hee Yun and Aditi V. Patel and Madeline Hon and Webster Guan and Taegeon Lee and Brian Nguyen},
journal= {arXiv preprint arXiv:2603.29842},
year = {2026}
}
备注
21 pages, 12 figures. Accepted at CVPR 2026