データ合成が3Dミオチューブのインスタンスセグメンテーションを改善

概要: 筋管（myotubes）は、多核をもつ筋線維であり、筋生理、疾患メカニズム、薬剤応答を研究するための主要なモデルシステムとして機能します。そのため、機序解明の研究や薬剤スクリーニングは、直径、長さ、分岐次数といった定量的な形態学的指標に依存しており、これには正確な3次元インスタンスセグメンテーションが必要となります。しかし、確立された事前学習済みの生物医学セグメンテーションモデルは、大規模に注釈された筋管データセットが存在しないため、この領域への一般化に失敗します。そこで本研究では、実際の顕微鏡観察から導出した多項式中心線、局所的に変化する半径、分岐構造、および楕円体の末端キャップによって、個々の筋管をモデル化する幾何学主導の合成パイプラインを提案します。合成ボリュームは、現実的なノイズ、光学的アーティファクト、およびCycleGANベースのドメイン適応（DA）によりレンダリングします。自己教師ありのエンコーダ事前学習を備えたコンパクトな3D U-Netは、合成データのみで学習し、実データにおいて平均IPQ 0.22を達成し、3つの確立されたゼロショットセグメンテーションモデルを大幅に上回ります。これにより、バイオフィジックス主導の合成が、注釈が不足しがちな生物医学領域における効果的なインスタンスセグメンテーションを可能にすることを示します。