2026-09-17
艾伦研究所的 3D-MAESTRO 把全脑光片从去伪影到图谱配准、细胞检测串成可换模块流水线；两年处理约 4000 套，核标记检测 F1 0.88，高于 Cellfinder 0.80 和 Cellpose 0.72。
全鼠脑光片显微镜已经能把厘米级组织扫到衍射极限，一份数据轻松到 TB。卡点不在拍摄，在后处理：去渐晕、去条纹、把重叠 tile 拼成一体、配到艾伦小鼠公共坐标系 CCFv3.1，再检出荧光细胞。这些步骤各自都有工具，拼起来却是一堆互不兼容的脚本，换一台机器就复现不了。ClearMap、NuMorph 做端到端但不支持分布式，上不了 TB 级；BrainGlobe 模块多，却不保证跨计算环境结果一致。机器学习分割还要 GPU，工作站扛不住。
这是基础设施问题，不是再发一篇分割榜单能解决的。
艾伦研究所 Neural Dynamics 和 Brain Science 两条线合写了 3D-MAESTRO，全称 3D-Microscopy Automation and Execution with Scalable Tools, Rendering, and Orchestration。骨架是 Nextflow 编排加每步一个版本化容器，图像统一走 OME-Zarr，元数据走 AIND schema。云上、本地 HPC、工作站都能跑。每一步输出标准化，算法能单独换、单独比。
流水线按六步走。
伪影校正用 BaSiC 做渐晕，改过的 pystripe 用小波加 FFT 压条纹，并接上了云端 OME-Zarr。拼接在 1473 套数据上比过 TeraStitcher 和 BigStitcher，后者大约快一倍、更稳，留下 BigStitcher。对齐质量用重叠区对应细胞距离 ICCE 来量，理想值接近零。
图谱配准是这篇里最吃设计的一步。SPIM 的白质因为自发荧光是亮的，CCFv3.1 的模板来自串行双光子断层，白质因为散射是暗的。直接拿强度去配会系统性走偏。做法是先用 10 只水相透明化小鼠的 639 nm 自发荧光做成 10 µm 分辨率的 SPIM 模板 ST，新样本先配到 ST（同模态），再走一次预先算好的 ST 到 STPT 映射。变形用 ANTs，梯度互信息加手工结构标签一起约束。小结构包括 LGd、RT、前连合等，大结构包括皮层、小脑。
细胞检测做成两段 instance detection。先用 GPU 加速的 3D Laplacian of Gaussian 宽松提点，宁可多报不要漏；再拿 18 层 3D ResNet 做二分类。网络同时吃信号通道和自发荧光背景，块大小是 (14, 14, 26, 2)，图像先 2 倍下采样。训练用了 59721 个标注，真细胞 23399、假点 36322，来自 30 只小鼠。分类阈值按每套数据的似然直方图谷底动态切。中间产物可以在浏览器里用 Neuroglancer 抽查。
两年大约处理了 4000 套全脑数据，周转不到一天。一份典型三通道、体素 1.8×1.8×2 µm、约 1 TB 的数据，图 1 给出的墙钟大约是校正 10 小时、对齐 1.33 小时、融合 2.74 小时、配准 1.6 小时、细胞检测 6 小时、定量 0.86 小时。Table 4 按 2026 年 1 月 AWS 按需价估，六套约 0.7 到 0.9 TB 数据的计算费均值 47.22 ± 3.31 美元，墙钟 25.82 ± 2.53 小时。存储和传输没算进去。最贵的一步是按通道并行的渐晕加条纹校正，约 22 美元。
拼接对齐前 ICCE 中位 12.6 µm（范围 7.4-17.2），对齐后 2.2 µm（1.6-3.0），降 5.7 倍。体素对角线 3.24 µm，误差大约一个体素，重叠区没有细胞重复。
配准在五只测试脑上手工标了 LGd、RT 等七个结构。经 ST 中转比直接配到 STPT 的 Dice 更高、表面距更短，秩和检验 p≤0.001。正文没把各结构 Dice 写成数字表，只给了图。标注者之间 Dice 0.93，平均表面距 12 µm。评估脑也进了模板构建集；作者另用一组野生型模板做对照，结论方向相同。
细胞检测在九块 held-out 核标记体积上：
| 方法 | F1 | 子体积运行时间 |
| 3D-MAESTRO 检测器 | 0.88 | 13.90 ± 14.06 s |
| Cellfinder | 0.80 | 42.81 ± 11.49 s |
| Cellpose | 0.72 | 84.12 ± 35.73 s |
测试设置是 16 CPU、1 块 V100、64 GB 内存。胞质 tdTomato 微调 7500 个标注后，18 套脑桥评估 Precision 0.91 ± 0.043，Recall 0.74 ± 0.21，F1 0.80 ± 0.15。Recall 方差大，漏检并不稳。
下游演示包括增强子 AAV 和转基因系全脑表达、蓝斑逆行投射、海马顺行、口渴后的 TRAP 标记、Neuropixels 探针重建，以及扣带和运动皮层的逆行输入图。这些是应用展示，不是新算法对照。
拍全器官光片的实验室拿到的是一条能在云和集群上复现的流水线，不是又一个分割网络。模块可换这件事已经用过：拼接从 TeraStitcher 换成 BigStitcher，细胞分类模型也迭过几版。配准走模态专用模板，是跨对比度配准的正经做法。细胞检测的实际卖点是快：同样一块 V100 上比 Cellpose 快大约六倍，F1 也高一截。
落地大约每套几十美元计算费，外加能跑 Nextflow 的环境。模板和分类模型绑在水相透明化的 SmartSPIM 小鼠脑上，换透明化配方或器官要重做模板、重标细胞。作者计划加更多组织学模板，并试 3D foundation model。
配准评估用的测试结构也参与了模板到模板的变换。虽然做了 leave-one-out 和另一组野生型模板，评估脑仍在 ST 构建集里，泛化被说得比实际干净。Dice 的具体数字只在图里。
细胞检测只管位置，不管形态。胞质标记 Recall 0.74 且标准差 0.21，密集成团、亮度差大的场景会漏。和 Cellfinder 比的时候，分类器换成了作者自己训的 ResNet，只换了提点部分，不是完整原版对照。Cellpose 在自家数据上微调过，这一项相对公平。
Table 4 的总墙钟 25.8 小时和图 1「不到一天」能对上，靠的是通道并行；单通道串行会更长。47 美元不含存储。代码公开，论文没有外部实验室零修改跑通的证据。