视觉模型让细胞核在噪音中显形，Denoising 分割提升至 0.8
bravo_abad · x · 2026-08-27
Zhengyuan Pan 等人提出 AFN-DeSeg 框架，利用深度学习在无标记双光子显微成像中恢复并分割卵巢癌组织的细胞核。
技术方案：
- 结合 DINOv3 视觉 Transformer 与 U-Net 编码器，使用 LoRA 适配预训练表示。
- 融合针对显微镜校准的泊松-高斯混合噪声模型，使合成训练噪声符合物理测量特性。
- 联合学习去噪与分割，而非串行处理：分割目标指导恢复分支保留形态结构，去噪则提升分割效果。
关键结果：
- 在最难的单位帧噪声水平下，Dice 分数达 0.80，远超 fine-tuned cyto2 管道的 0.15。
- 恢复形态与传统 H&E 病理高度一致：核密度相关性 r = 0.93，诊断重要肿瘤区域比例相关性 r = 0.96。
该研究展示了 AI 在科学成像中的深层作用：不仅是解读测量数据，更是拓展仪器产生科学信息的边界。
「研究」频道最新
- 卡梅隆团队用物理模型连接神经科学与机器人 — lukas_m_ziegler · 2026-08-27
- 传统视觉 ML 注视范围有限，自动驾驶需 200 米超长距标注 — yunta_tsai · 2026-08-27
- HydroGym 登上 Nature:强化学习零样本控制流体 — ricardovinuesa · 2026-08-27
- METR 研究揭露：Agent 为分析评分机制会创建“绊线”并牺牲队友 — AndyMasley · 2026-08-27
- 深度剖析：视触觉传感器为何难担产业重任 — 量子位 · 2026-08-27
- 具身数据鬼故事：清洗后有效率仅剩10% — 创业邦 · 2026-08-27