《Data》：Artificial Intelligence and Big Data Analytics for Seismic Hazard Assessment: Methodological Advances and Computational Frameworks for the Marmara Region, Türkiye
编辑推荐：
研究人员介绍了iOrganoAssay（类器官测定图像）的使用，用于将显微镜图像与类器官评估测定（如活死测定、免疫细胞化学和药物处理测定）相连接。iOrganoAssay包含一个基于R脚本的应用程序（App）接口以及数据集，数据集涵盖：（1）显微镜图像，（2）
研究人员介绍了iOrganoAssay（类器官测定图像）的使用，用于将显微镜图像与类器官评估测定（如活死测定、免疫细胞化学和药物处理测定）相连接。iOrganoAssay包含一个基于R脚本的应用程序（App）接口以及数据集，数据集涵盖：（1）显微镜图像，（2）分割结果，（3）形态测量数据，（4）元数据文件，以及（5）验证数据集。显微镜图像集包含234张在Matrigel穹顶区域（约3 mm）培养的肠道类器官的大面积图像，使用配备自动载物台的显微镜系统采集。在右旋糖酐硫酸钠（DSS）处理后，捕捉并量化了肠道类器官形态变化的显微镜图像。执行了图像分割以提取类器官形态数据，包括面积、周长和圆形度。这些指标被绘制成图以显示每日变化，从而实现药物诱导形态变化的系统性时间追踪。还使用小提琴图提供了统计比较。为了评估分割质量，研究人员建立了包含28个手动标注的类器官（14个对照，14个DSS处理）的验证数据集，并计算了Dice分数、准确度（Acc）、分割误差（SegErr）和质心误差（CenErr）。这个整合的数据集——涵盖类器官图像、分割输出、形态测量数据和验证指标——为基于类器官图像的形态监测和分割验证研究提供了资源。数据集：所述数据集公开可用，存储于Zenodo和GitHub。https://doi.org/10.5281/zenodo.18627306（访问于2026年5月23日）& https://github.com/swnam153/iOrganoAssay（访问于2026年5月23日）。数据集许可证：CC0。
**研究背景与问题**
类器官作为再现器官生理功能的细胞模型，在精准医学和疾病建模中应用广泛。然而，将大规模显微镜图像数据集与下游测定数据（如活死测定、免疫细胞化学及药物处理测定）进行整合，仍是该领域的关键挑战。当前，基于定量成像的类器官分析面临两大问题：一是类器官形态的几何复杂性（如分支型、葡萄状、实心型及囊状）影响成像分析性能；二是人工分析大型类器官图像集耗时且易受研究者偏差影响。尽管已有多种工具（如ImageJ、CellProfiler、OrganoSeg、MOrgAna及基于深度学习的SegFormer）被用于类器官分割，但多数方法聚焦于形状简单的脑类器官，缺乏对形态复杂类器官（如具有分支结构的肠道类器官）的针对性验证。此外，现有数据集规模有限，且缺乏与测定数据的系统性关联平台。为此，研究人员提出了iOrganoAssay（类器官测定图像）整合平台，旨在实现显微镜图像与常规测定数据的连接、系统性形态定量分析及分割质量验证。该研究发表在《Data》期刊。
**主要关键技术方法**
研究人员采用了以下关键技术：（1）自动载物台显微镜系统，用于获取96微孔板中Matrigel穹顶区域（约3×3 mm）的大面积明场（BF）图像；（2）基于机器学习的像素分类器分割（AIVIA软件，版本15，Leica Microsystems），通过手动标注“类器官”和“背景”类别进行训练，迭代优化分割性能；（3）R脚本构建的应用程序（App）界面，实现元数据上传、图像与分割结果展示、形态指标（面积、周长、圆形度）可视化及小提琴图统计比较；（4）验证框架：基于28个手动标注的类器官（14个对照、14个DSS处理）计算Dice分数、准确度（Acc）、分割误差（SegErr）和质心误差（CenErr）。样本队列来源于小鼠肠道类器官（mIO），使用C57BL/6小鼠品系，培养于Matrigel穹顶中。
**研究结果**
**2.1 iOrganoAssay数据集概述**
研究人员构建了包含234张显微镜图像的数据集，通过元数据文件（Excel）统一管理每张图像的实验变量（如小鼠品系、传代数p、培养天数d、微孔W、药物处理天数t）。数据集分为三个核心子目录：显微镜图像、分割图像、形态测量文件（含面积、周长、圆形度），以及三个补充子目录：高分辨率TIFF图像、高分辨率JPEG分割图像和验证图像。图像文件名采用结构化标记（如J6_p4_W1_d06t0.png），便于系统检索。
**2.2 iOrganoAssay应用（App）接口**
App接口通过网页浏览器访问，包含“分析”和“验证”两个标签页。分析标签页集成元数据上传、文件夹路径设置、分类条件筛选（小鼠/传代数/微孔/培养天数）、指标选择（面积/周长/圆形度）及图形控制（点/线/文字大小）五大模块，主面板显示对应的显微镜图像、分割图像、均值±标准差折线图和小提琴图。验证标签页支持上传原始图像、真实标注（GT）图像和分割图像，并实时计算Dice分数、Acc、SegErr和CenErr。
**3.1 药物处理类器官的自动显微镜成像**
研究人员使用自动载物台显微镜对96微孔板中的小鼠肠道类器官进行定期成像（d01、d03、d06、d09），在d06启动DSS处理（0.04 mg/mL），持续至d09。大面积图像覆盖整个Matrigel穹顶区域，每张图像包含数十至约100个类器官。图像显示对照（健康）与DSS处理（损伤）类器官的形态差异，并通过形态指标的变化轨迹量化生长过程。
**3.2 DSS诱导类器官形态变化的图像分割分析**
通过对比对照微孔W1与DSS处理微孔W2在d06t0和d09t3的分割结果发现，两组类器官的面积和周长均随时间增长，但未显示明显差异。然而，圆形度指标在d09t3时表现出显著差异：DSS处理组的小提琴图分布向更高值偏移且上端展宽（紫色箭头指示），表明损伤类器官趋于更圆润的形状，这是由DSS导致的肠上皮破坏所致。该结果强调了小提琴图在检测类器官群体形态变化中的价值。
**3.3 类器官图像分割的验证**
研究人员从对照和DSS处理组的大面积图像中各选取14个类器官（共28个），手动生成真实标注图像，计算分割性能指标。结果显示：DSS处理组在所有四项指标（Dice分数、Acc、SegErr、CenErr）上均表现出一致的高分割质量和低变异性；而对照组由于存在复杂的分支突起结构，分割指标较低且个体间变异较大。这种差异归因于DSS处理破坏了肠道类器官的分支上皮结构，使其呈现更简单的圆形形态。
**讨论与结论**
讨论部分指出，类器官的几何形状直接反映原始器官的生理状态，涵盖分支（出芽）、葡萄状、实心型和囊状等多种形态。iOrganoAssay数据集重点验证了完整与损伤肠道类器官的图像分割，其中完整类器官呈现源自隐窝-绒毛折叠结构的分支几何，而损伤类器官因上皮破坏呈现圆形。值得注意的是，分割验证分数依赖于形态复杂度：分支形状因几何复杂性导致较低的Dice分数和Acc，而圆形形状因简单性获得较高分数。这一特点构成了iOrganoAssay数据集的新颖之处——与以往只关注简单圆形类器官（如脑类器官）的数据集不同，iOrganoAssay在同一数据集中同时包含了复杂分支和简单圆形两种几何形态。研究结论如下：研究人员预期该资源将支持针对形态复杂类器官的下一代分割算法的开发与验证；iOrganoAssay平台整合的验证框架（通过App接口直接访问Dice分数、Acc、SegErr、CenErr）使用户能够评估分割可靠性，从而促进类器官图像分析的可重复性和标准化。
