Nature Methods
u-Segment3D实现无需训练数据的通用3D细胞分割

小赛推荐：

本文介绍了一种无需训练数据的通用3D细胞分割工具u-Segment3D，该工具可兼容任何基于像素的2D细胞分割方法，适用于多种细胞形态和组织类型。该方法在拥挤细胞和复杂形态数据集中表现出与甚至优于原生3D分割模型的性能。

 

文献概述

本文《Universal consensus 3D segmentation of cells from 2D segmented stacks》，发表于《Nature Methods》杂志，回顾并总结了一种无需训练数据的通用3D细胞分割工具u-Segment3D。该工具可将任意2D细胞分割方法生成的实例分割掩码转化为3D分割结果，并在11个实际数据集中验证其性能，涵盖超过70,000个细胞，包括单细胞、细胞聚集体和组织。研究还表明，u-Segment3D在细胞密集或形态复杂的情况下表现优于原生3D分割模型。

背景知识

细胞分割是显微图像分析的基础，广泛应用于细胞、细菌、植物、血管等研究。传统2D分割方法在细胞孤立、对比度高时表现良好，但在细胞聚集或对比度低的情况下则面临挑战。3D分割方法通常需要密集标注的体素数据，而手动标注成本高、效率低，限制了其广泛应用。尽管已有3D分割模型如CellStitch和3DCellComposer，但它们在复杂形态数据中表现不佳，且难以处理欠分割或过分割问题。因此，如何在不依赖3D标注数据的前提下，从2D分割结果中重建高质量的3D分割，成为亟待解决的问题。

 

一站式基因编辑动物模型服务，提供从细胞到小鼠的全流程解决方案，涵盖基因敲除、敲入、点突变、过表达等多种模型，支持IND申报和临床前研究。

了解更多

 

研究方法与实验

u-Segment3D的核心思想是将2D分割结果转化为3D距离变换梯度场，并通过梯度下降和空间连通性分析重建3D细胞实例。具体步骤包括：1) 对2D分割掩码进行腐蚀处理以分离细胞；2) 从多个正交视图（x-y, x-z, y-z）生成3D梯度场；3) 通过3D梯度下降算法追踪细胞中心线；4) 使用空间聚类方法分配唯一ID以实现最终3D实例分割。研究团队在11个真实世界数据集上验证该方法的准确性，涵盖胚胎、组织、肿瘤血管网络等复杂形态。性能评估使用平均精度（AP）和F1曲线，以交并比（IoU）为匹配阈值。

关键结论与观点

• u-Segment3D在所有测试数据集中均实现了接近完美的3D重建，尤其在细胞密集或形态复杂的数据中表现优于原生3D分割模型
• 不同2D分割方法（如Cellpose、StarDist、U-Net）均可与u-Segment3D兼容，分割精度与2D输入质量正相关
• u-Segment3D在使用单个正交视图（如y-z）时仍能实现有效分割，使用全部三个视图时性能最优
• 后处理步骤可恢复高频、高曲率的亚细胞结构（如伪足、片状伪足），显著提升分割精度
• u-Segment3D可无缝集成到现有2D分割流程中，无需重新训练，即可生成3D分割结果

研究意义与展望

u-Segment3D为3D细胞分割提供了一种无需训练数据的通用解决方案，解决了当前3D分割方法在标注数据稀缺、形态复杂时的性能瓶颈。未来可扩展至其他生物结构（如细胞器、组织）的3D重建，并结合AI辅助标注提升分割自动化水平。

 

全人源抗体开发平台，基于HUGO-Ab®小鼠构建高亲和力、低免疫原性抗体，适用于肿瘤、自身免疫病、感染病等多种适应症的抗体药物开发。

了解更多

 

结语

u-Segment3D是一种基于2D细胞分割结果的通用3D分割工具，无需训练数据即可实现高精度3D细胞实例分割。该方法在多个真实世界数据集上验证了其稳健性和泛化能力，尤其在复杂形态数据中优于现有3D分割模型。通过整合梯度下降与连通性分析，u-Segment3D不仅提高了分割精度，还简化了3D分割流程，为显微图像分析提供了新的高效工具。

 

Felix Y Zhou, Zach Marin, Clarence Yapp, Kevin M Dean, and Gaudenz Danuser. Universal consensus 3D segmentation of cells from 2D segmented stacks. Nature Methods.