诸氏鲻虾虎鱼(goby)项目 · 细胞遗传学 · 工具检索
在 GitHub / arXiv / PubMed / PyPI 上系统检索"从核型图或中期分裂相图像里自动数染色体条数"的开源工具,并给出每一个对诸氏鲻虾虎鱼(M. chulae)那批低分辨率照片究竟能不能用的判断。
工具不缺,缺的是分辨率。再精准的检测器,也变不出原图里没有的像素——每条染色体只有 ~30×10px、彼此粘连时,YOLO / Mask R-CNN 同样切不干净。
这些工具几乎全部在人类临床(46条、G带、高分辨率显微图)上训练,直接拿来跑一条鱼会失效;可行路径只有两条——①拿它们的架构在鱼的中期分裂相上重训(前提仍是先有清晰照片),或②用物种无关的核型图工具做半自动计数。因此工具是必要但不充分:此前"分辨率不够、数不出众数"的结论不变,重拍(100× 油镜 + FISH)的建议依旧成立;而当前裁定已改为以测序数据 23 条为准,核型计数只作佐证。
五种典型场景,直接对应到下面目录里的工具。
A已经排好的核型图(一张排列整齐的图),想半自动点数
→ napari-kics(物种无关,首选)· 备选 MetaChrome
B从原始中期分裂相自动数条数
→ Aycromo(开箱即用 App)或自训 YOLOv8/v11 检测器
C染色体互相交叠,想先分开再数
→ ChromSeg(HKU-BAL,重叠分离)
D要 SOTA 实例分割 / 训练数据
→ ChromoSIS · AutoKary2022 数据集
E只想要"计数"这件事的经典方法学
→ DeepACEv2(仅论文,需自行复现)
最对口的一类:输出就是染色体的个数(检测框数量 = 条数)。
"染色体计数(enumeration)"这条线的奠基方法:区域检测思路专门解决"数中期相里有几条"。
模型:ResNet-101 + FPN 区域检测 + Hard-Negative Anchor 采样(专抠易混的半截染色体)。
对我们这条鱼:没有可跑的开源实现——GitHub 上叫 "DeepACE" 的仓库全是耳蜗/乙酰化,与染色体无关。只能当方法参考、自行复现。
最接近"开箱即用"的一个:桌面 App(Windows EXE)+ Flask 检测 API,README 明写"contagem de cromossomos(染色体计数)"。
模型:YOLOv8(API)/ 论文用 YOLOv11,在 CRCN-NE 中期相上 mAP@50 达 99.4%;可加载自训模型、交互纠正。
对我们这条鱼:框架直接可用,但权重是人类数据——须用鱼的中期相图重训 YOLO。个人/学术项目、星数少,自建可控。
一份可复现的 YOLOv8 检测 + 分类 Notebook,开宗明义就是"基于染色体图像检测数目异常"——正是计数场景。
模型:Ultralytics YOLOv8;附 F1 / PR 曲线与推理示例,BioImLab 4 类公开数据。
对我们这条鱼:拿来当"如何训一个染色体检测器"的现成配方最合适;换成鱼的标注即可。
不假设 46 条、不按人类染色体分类——面向任意物种的核型图,是非人类样本里最可迁移的一类。
napari 插件,从核型图估算各染色体大小——明确面向任意物种。你在图上放标记,计数是自然副产物。
做法:半自动图像测量 + 尺寸估计;PyPI / conda-forge 已打包,安装即用。出自 CSBD(StarDist / CARE 同门实验室)。
对我们这条鱼:若已有一张排好的核型图,这是最省事的半自动点数工具,且天生不绑人类染色体形态。
低分辨率图最大的坑就是染色体交叠——这类工具先把它们拆成单条,再计数才准。
两阶段全自动分离交叉重叠染色体,还能重建出单条染色体图(别家只给分割建议)。重叠检测 99.1%。
模型:region-guided UNet++ + 启发式 crossing-partition;含 345 张人工标注图。出自 HKU-BAL(Clair3 变异检测同实验室,靠谱)。
对我们这条鱼:作为"计数前的去重叠预处理"很有价值;需在鱼数据上重训,但方法与数据都开放。
实例分割里每个 mask 就是一条染色体,数 mask 即得条数;这里也是你重训时的数据来源。
形状约束 + 空间感知的染色体实例分割框架,较新的 SOTA 方向。
模型:Shape-Constrained & Spatially-Aware 实例分割。中南大学 CVIU 组。
对我们这条鱼:方向先进,但仓库当前近乎占位,先观望或联系作者要代码。
用 Cascade Mask R-CNN + MMDetection 对中期相染色体做实例分割的完整可复现工程(基于 KaryoNet 数据)。
模型:Cascade Mask R-CNN(MMDetection 生态,换数据即可训)。
对我们这条鱼:想走"实例分割→数 mask"路线时,这是最直接的起步模板。
大规模、密集标注的染色体实例分割数据集,是训练/评测检测与分割模型的常用底料。
内容:密集实例标注;论文 ICME2023。
对我们这条鱼:拿来预训练 / 迁移学习的基础数据(人类),再用少量鱼图微调。
临床染色体实例分割数据集 + 多种基线模型,可直接对照评测。
内容:数据集 + baseline 代码(Huang et al. 2021)。
对我们这条鱼:基线齐全,适合快速比较不同分割法在计数上的表现。
当专用模型都水土不服时,这三个是稳妥退路——但同样受限于原图分辨率。
"权威平台"里它们最出名,但恰恰是最不能用的一类。