MicSim_FluoMT

MicSim_FluoMT数据集是由法国雷恩遗传与发展研究所和摩洛哥苏丹穆莱斯利曼大学科学和技术学院的研究人员创建的，包含数百个合成荧光标记微管图像，用于细胞内微管的分割。数据集包括均匀荧光和逐渐减弱荧光两种情况，以模拟真实显微镜图像中的噪声。数据集的每个图像都带有精确的分割标签，是评估分割算法在真实噪声和结构复杂性条件下的性能的理想基准。

The MicSim_FluoMT dataset was developed by researchers from the Institute of Genetics and Development of Rennes (France) and the Faculty of Sciences and Technologies at Sultan Moulay Slimane University (Morocco). It comprises hundreds of synthetic fluorescence-labeled microtubule images intended for intracellular microtubule segmentation tasks. The dataset covers two imaging conditions: uniform fluorescence and gradually attenuated fluorescence, both of which simulate the noise inherent in real microscopic images. Every image is accompanied by precise segmentation annotations, making it an ideal benchmark for assessing the performance of segmentation algorithms under conditions involving real-world noise and structural complexity.

原始信息汇总

MicSim_FluoMT: Two synthetic datasets of images of fluorescent microtubules

数据集概述

• 发布日期: January 20, 2025
• 版本: v1
• 资源类型: Image
• 语言: English
• DOI: 10.5281/zenodo.14696280
• 许可证: Creative Commons Attribution 4.0 International

创作者与贡献者

创作者

• Bouvrais, Hélène (Project leader) - Institut de génétique et de développement de Rennes
• Crespo, Mewen (Project member)

贡献者

项目负责人

• ELMOURABIT, yousef - Technology and Sciences Faculty, Sultan Moulay Slimane University
• Bouvrais, Hélène - Institut de génétique et de développement de Rennes

项目成员

• Ait Laydi, Achraf - Technology and Sciences Faculty, Sultan Moulay Slimane University
• Crespo, Mewen - Institut de recherche mathématique de Rennes

数据集描述

• 数据集支持Ait Laydi等人（2025）的论文。
• 包含两个合成图像数据集，模拟荧光标记的微管显微镜图像。
• 用于训练深度学习架构进行微管分割。
• 包括输入图像（称为“noisy”）和对应的地面真实图像（称为“binary”）。
  • easy数据集: 1192张图像，微管荧光均匀。
  • hard数据集: 1192张图像，地面真实与easy数据集相同，但微管荧光向末端递减，分割更具挑战性。

文件

• dataset_easy.zip (112.8 MB) - MD5: f973f1a03fd2a6a6a83cff8127d7d01c
• dataset_hard.zip (110.2 MB) - MD5: b3c862e0ea3cbf816809eddc1cdbb483

生成工具

• Cytosim: https://gitlab.com/f-nedelec/cytosim
• confocalGN: https://github.com/SergeDmi/ConfocalGN

引用

Bouvrais, H., & Crespo, M. (2025). MicSim_FluoMT: Two synthetic datasets of images of fluorescent microtubules (Ait Laydi et al., 2025) (Version v1). Zenodo. https://doi.org/10.5281/zenodo.14696280

资金支持

• Agence Nationale de la Recherche (MICENN ANR-22-CE45-0016-01)
• Université de Rennes (Défis scientifiques 2020, Soutien Collaborations Internationales 2024)
• Campus France (PHC Toubkal 2024 49945RE)

关键词

• filament segmentation
• synthetic image dataset
• noisy fluorescent images

MeSH主题词

• Microtubules
• Deep Learning/classification
• Datasets as Topic/classification

搜集汇总

数据集介绍

构建方式

MicSim_FluoMT数据集的构建采用了创新的合成图像生成流程，结合了Cytosim细胞骨架模拟套件与ConfocalGN图像渲染引擎。该流程通过精确模拟荧光标记微管在秀丽隐杆线虫胚胎中的分布，并复现共聚焦显微镜图像的点扩散函数、光子噪声及强度变异特性。研究团队生成了两个独特的数据集：一个包含沿微管均匀分布的荧光信号，另一个则模拟了向细胞周边递减的荧光强度分布以增加分割难度。所有合成图像均配有像素级精确标注的二进制掩模，通过仿真数据与真实显微镜图像在背景噪声分布（Kolmogorov-Smirnov检验p>0.05）和微管形态学特征（曲率相似性指数达0.92±0.03）的高度一致性验证了其生物学合理性。

使用方法

该数据集专为评估生物医学图像分割算法设计，尤其适用于研究噪声环境下曲线结构的分割性能。使用时应结合配套的ASE_Res_UNet架构（GitHub代码库即将公开），其残差编码器与自适应注意力解码器的组合可有效处理强度不均匀的微管末端。基准测试表明，在复杂数据集上采用加权交叉熵损失（前景权重1.0，背景权重0.25）时，模型Dice系数达0.7825±0.0156。对于跨域应用，建议进行迁移学习：在视网膜血管分割（DRIVE数据集）任务中，仅需20张训练图像即可使PR-AUC达到0.9114±0.0150。数据集还可与真实显微镜图像（MicReal_FluoMT，DOI 10.5281/zenodo.15852661）联合使用，通过域适应技术提升活细胞成像中的微管追踪精度。

背景与挑战

背景概述

MicSim_FluoMT数据集由法国雷恩遗传与发展研究所（IGDR）和摩洛哥苏丹穆莱·斯利曼大学TIAD实验室的研究团队于2024年创建，旨在解决荧光显微镜图像中曲线结构分割的核心挑战。该数据集包含数百张合成图像，模拟了细胞内荧光标记的微管网络，并精确标注了真实显微镜图像中的噪声和强度变化特征。作为首个整合细胞骨架模拟器Cytosim与共聚焦图像渲染引擎ConfocalGN的合成数据集，其创新性地通过参数化控制微管长度、曲率和密度等生物变量，为研究细胞分裂、迁移等动态过程提供了标准化基准。该数据集通过发布在Zenodo平台推动了生物医学图像分析领域对噪声环境下细长结构分割方法的研究。

当前挑战

MicSim_FluoMT数据集面临双重挑战：在领域问题层面，需解决荧光显微镜图像中微管等曲线结构因低信噪比、强度不均匀和背景伪影导致的断裂与误检问题，尤其在活细胞成像时需平衡时间分辨率与图像质量的矛盾；在构建过程中，团队需克服合成数据与真实图像的域差距，通过Cytosim模拟的微管网络需匹配活体胚胎的动态特性，而ConfocalGN渲染需精确复现点扩散函数和光子噪声。此外，数据标注面临类不平衡问题——微管像素仅占图像的0.5%-2%，要求设计加权交叉熵损失等特殊处理机制。这些挑战促使团队开发了包含自适应注意力模块的新型ASE_Res_UNet架构，在保持模型轻量化的同时提升了对低强度末端结构的检测能力。

常用场景

经典使用场景

MicSim_FluoMT数据集在生物医学图像分析领域主要用于荧光显微镜图像中曲线结构的精确分割，特别是针对微管网络的识别与重建。该数据集通过合成图像模拟真实显微镜环境中的噪声和荧光强度变化，为深度学习模型提供了高质量的标注数据。其经典应用场景包括细胞分裂过程中微管动态行为的量化分析，以及抗有丝分裂药物对微管网络影响的评估研究。

解决学术问题

该数据集有效解决了生物医学图像分析中的三个关键问题：在低信噪比条件下薄壁结构的连续性保持、荧光强度不均匀导致的弱信号检测难题，以及活细胞成像中动态过程的精确捕捉。通过提供带有精确标注的合成图像，它克服了真实显微镜图像标注成本高且易受噪声干扰的局限性，为研究微管形态与功能关联提供了可靠基准。其意义在于建立了噪声鲁棒性分割方法的评估标准，推动了细胞骨架定量分析领域的发展。

实际应用

在实际应用中，该数据集训练的模型已成功用于临床前药物筛选，通过量化癌细胞微管网络对化疗药物的响应。在眼科领域，衍生算法可自动分析糖尿病视网膜病变患者的血管迂曲度；在神经科学中，实现了活体共聚焦显微镜下角膜神经的高通量成像分析。这些应用显著提升了病理诊断效率和细胞动力学研究的时空分辨率。

数据集最近研究

最新研究方向

在荧光显微镜和生物医学图像领域，针对曲线结构分割的挑战，MicSim_FluoMT数据集的最新研究方向聚焦于深度学习架构的创新与优化。研究团队提出了自适应注意力残差U-Net（ASE_Res_UNet），该架构通过集成编码器中的残差块和解码器中的自适应SE注意力机制，显著提升了在噪声环境和低对比度条件下对微管等曲线结构的识别精度。前沿探索包括：1）噪声感知的通道注意力机制动态校准特征响应，增强微弱信号检测；2）合成数据生成管道模拟真实显微镜图像的噪声和荧光强度变化，解决标注数据稀缺问题；3）跨模态泛化能力验证，模型在视网膜血管和角膜神经分割任务中展现优异性能。该研究为活细胞成像动态分析和疾病生物标志物检测提供了新工具，尤其在肿瘤学治疗靶点（微管）和糖尿病视网膜病变诊断等临床场景具有重要应用价值。

相关研究论文

• Adaptive Attention Residual U-Net for curvilinear structure segmentation in fluorescence microscopy and biomedical images

  CNRS, IGDR (Institute Genetics and Development of Rennes) – UMR 6290, Rennes, France and TIAD Laboratory, Sciences and Technology Faculty, Sultan Moulay Slimane Univ., Morocco · 2025年