通过基于卷积神经网络（CNN）的神经算子建模方法，从裂殖菌类真菌的微观扫描电子显微镜（SEM）图像中学习连续激活场

《Scientific Reports》：Learning continuous activation fields from microscopic SEM images of lycoperdioid fungi via CNN-guided neural operator modeling

　　

摘要

准确解读微观形态特征对于区分形态相似的真菌分类单元至关重要，然而传统的图像分析方法主要依赖于离散分类或像素级分割，这些方法无法捕捉生物微观结构的本质连续性。在这项工作中，我们引入了一种连续空间表示学习框架，用于分析羊肚菌目（Lycoperdioid）真菌孢子的扫描电子显微镜（SEM）图像。该框架结合了基于卷积神经网络（CNN）的局部特征编码和具有坐标感知能力的神经运算符架构。微观图像被重新定义为在二维空间域上定义的函数，并利用深度运算符网络（DeepONet）在弱监督下学习从图像函数到连续激活场的映射。该框架在标准化成像条件下获取的五种羊肚菌目物种的高分辨率SEM图像上进行了评估。定量分析表明，与基于代理的激活参考方法相比，基于运算符学习的方法平均平方误差降低了28–35%；与不使用运算符耦合的像素级CNN表示方法相比，性能提高了18–22%。残差范数和线谱分析进一步显示，高频空间波动减少了约30%，尤其是在边界密集区域，表明空间正则化效果得到了增强。基于连续激活场的可解释性分析显示，超过70%的高响应区域与诊断相关的微观形态特征一致，同时同类激活方差减少了20–25%，证实了在不过度平滑的情况下表征稳定性得到了提升。通过从离散决策转向基于运算符的连续建模，本研究建立了一个可扩展且可解释的微观SEM图像分析框架。所提出的方法为真菌分类学、生物医学成像以及其他需要高分辨率空间解析复杂微观结构的领域提供了可迁移的人工智能应用基础。