数据集构建
获取并整理高分辨率双荧光小鼠脑矢状切片图像及专家标注。
收集96只小鼠（48雄、48雌，1-12月龄）的脑组织，制备矢状切片（18μm），使用Nikon Eclipse Ti2转盘共聚焦系统成像，并通过ImageJ手动勾画118个亚区域。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
PRMix：用于精确全鼠脑解剖划分的主区域混合增强方法与基准数据集
PRMix: Primary Region Mix Augmentation and Benchmark Dataset for Precise Whole Mouse Brain Anatomical Delineation
实验完整度
中包含数据集构建与算法消融实验，但主要依赖图像分割评估，缺少湿实验或多层级功能验证。
主要模型
小鼠大脑矢状切片（DMBM数据集） nnUNet分割模型
重点核对
训练/验证/测试样本划分：80张训练/验证，22张测试，且测试样本不参与增强 增强倍率：5×、10×、20×，对应约400、800、1600张图像 训练epoch数：12个完整epoch（基线）或3、6、12个完整epoch（PRMix） 输入patch大小：768×1536 5折交叉验证，在两张NVIDIA RTX 4090 GPU上进行
摘要
小鼠大脑的结构与人类大脑高度相似，使其成为研究脑病理、突触多样性和区域特化的关键模型。此类研究中的一个关键步骤是将分子图像配准到参考脑图谱，而这一过程由于难以准确勾画脑区域而受到阻碍。为此，我们整理了一套高分辨率双荧光显微镜图像，称为双荧光小鼠脑显微镜（DMBM）数据集，并辅以矢状切片上118个亚区域的专家注释。该数据集为理解小鼠脑的分子和结构复杂性提供了前所未有的见解。然而，其用于全脑精细分析的潜力受到现有自动分割方法中边界模糊和样本稀缺等挑战的限制，因此我们开发了主区域混合（PRMix）增强方法。PRMix专门用于扩展此类数据集、增强合成数据的真实感并最小化相邻区域之间的重叠。我们的方法结合所整理的数据集，与小鼠脑分割的现有方法相比实现了更优的性能，为脑成像研究树立了新的基准。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何实现高分辨率双荧光小鼠脑图像的精确解剖划分？
- 核心机制
- 通过将118个脑亚区域分组为11个主区域，并以主区域为单位进行混合，配合硬样本挖掘和重叠感知增强，在保留全局解剖结构的同时减少区域重叠，提升分割精度。
- 主要证据
- 在DMBM数据集上，使用nnUNet模型进行5折交叉验证，PRMix 20×达到了F1 74.66和mIoU 61.78，显著优于基线及多个对比方法。
- 研究意义
- DMBM数据集与PRMix增强方法为全鼠脑解剖划分提供了新的基准，并为神经科学与生物医学成像研究提供了鲁棒的框架。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
数据预处理与基准实验
建立基线分割性能。
使用nnUNet模型在原始DMBM数据集上训练并评估，作为后续比较的基准。
PRMix增强方法
生成多样且解剖结构保留的合成图像，以提升分割模型的性能。
应用PRMix方法，包括离线硬样本挖掘、主区域采样和重叠感知增强，生成5×、10×、20×的增强训练集。
模型训练与评估
评估PRMix增强数据对分割性能的影响，并与现有方法比较。
使用nnUNet在增强数据集上训练，并在隔离的测试集上评估F1、mIoU、精确率和召回率，并进行配对t检验。
消融研究
验证PRMix各组件的贡献及关键参数的影响。
通过控制变量，分别评估数据集规模、训练时长、混合图像数量、荧光通道、硬样本比例、以及HSM和OAA模块的效果。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像采集 | 尼康Eclipse Ti2 | Nikon | -- |
| 转盘共聚焦系统 | -- | -- | |
| 数据标注 | ImageJ | -- | -- |
| 组织包埋 | OCT包埋剂 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建 | 小鼠品系、年龄范围、性别比例、切片厚度、成像设备、标注工具 阅读提示：第3.1节 数据采集 |
| 模型训练 | 训练/测试样本量、patch大小、batch大小、epoch数、交叉验证折数、GPU型号 阅读提示：第5.1节 实现细节 |
| 数据增强 | 增强倍率、混合图像数量、硬样本比例、主区域定义、重叠容忍阈值 阅读提示：第4.2-4.4节 |
| 评估 | 评估指标（F1、mIoU等）、统计检验方法、测试集是否参与增强 阅读提示：第5.2节 实验结果 |