AxonSynth: Domain-Randomized Synthetic Data for Zero-Shot 3D Axon Segmentation in Light-Sheet Microscopy

📄 arXiv: 2609.31431v1 📥 PDF

作者: Edward Gaibor, Kyriaki-Margarita Bintsi, Carmen Luz Leiva Ureta, Zayneb Bellatif, Chiara Maffei, Wenze Li, Elizabeth Hillman, Yaël Balbastre, Anastasia Yendiki

分类: cs.CV

发布日期: 2026-09-25

备注: 11 pages, 2 figures, 2 tables. Accepted at SASHIMI 2026, held with MICCAI 2026

💡 一句话要点

提出AxonSynth以解决3D显微镜中轴突分割的标注依赖问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 轴突分割 合成数据 领域随机化 3D显微镜 深度学习 医学影像 神经科学

📋 核心要点

  1. 现有的轴突分割方法依赖于目标领域的标注，且在不同条件下表现不稳定，限制了其应用。
  2. AxonSynth通过生成合成轴突标签，利用领域随机化技术，减少了对手动标注的依赖，提升了模型的泛化能力。
  3. 实验结果表明，AxonSynth在猕猴样本中实现了最佳的Dice系数和精度，且在所有持出补丁中减少了组件计数误差。

📝 摘要（中文）

在3D显微镜数据中，准确的轴突分割对于分析白质组织至关重要，但获取密集的真实标注代价高昂。现有的监督学习方法依赖于目标领域的标注，且在组织类型、物种、成像模式或采集条件变化时表现脆弱。本文提出AxonSynth，一个领域随机化的合成数据框架，用于在没有手动标注的真实训练数据的情况下训练3D轴突分割模型。AxonSynth生成反映真实纤维配置的密集合成轴突标签，并通过随机化密度、对比度、偏差场、模糊和噪声进行渲染。我们训练了一个三类3D U-Net模型来预测背景、轴突鞘和轴突内空间。通过与阈值法和Frangi滤波进行比较，评估了在10个来自猕猴和人脑样本的光片显微镜补丁上的零-shot转移效果。

🔬 方法详解

问题定义：本文旨在解决3D显微镜数据中轴突分割的标注依赖问题。现有方法在不同组织类型和成像条件下表现脆弱，导致分割效果不稳定。

核心思路：AxonSynth通过生成合成的轴突标签，利用领域随机化技术，避免了对真实标注的依赖，从而提高了模型的适应性和泛化能力。

技术框架：该框架包括合成数据生成模块和3D U-Net模型训练模块。合成数据生成模块负责创建反映真实纤维配置的轴突标签，而3D U-Net则用于进行分割预测。

关键创新：AxonSynth的主要创新在于其领域随机化的合成数据生成方法，能够在没有真实标注的情况下有效训练分割模型，这与传统依赖手动标注的方法有本质区别。

关键设计：在模型训练中，使用了三类标签（背景、轴突鞘和轴突内空间），并采用了适当的损失函数以优化分割效果。模型的架构为3D U-Net，能够处理复杂的3D数据结构。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在实验中，AxonSynth在猕猴样本中实现了最佳的校正Dice系数（0.826）和校正精度（0.851），相比于阈值法（0.765和0.754）和Frangi滤波（0.685和0.762）均有显著提升。在人类样本中，校正Dice系数与阈值法相当（0.857 vs. 0.868），而组件计数误差从22,504减少至3,377，显示出显著的改进。

🎯 应用场景

该研究的潜在应用领域包括神经科学研究、医学影像分析和生物医学工程等。通过减少对手动标注的依赖，AxonSynth可以加速轴突分割的研究进程，推动相关领域的技术发展和应用。未来，该方法有望扩展到其他生物医学图像分析任务中。

📄 摘要（原文）

Accurate segmentation of axons in 3D microscopy data is important for analyzing white-matter organization, but dense ground truth labels are expensive to obtain. Existing supervised axon segmentation methods rely on target-domain annotations and can be brittle when tissue type, species, modality, or acquisition conditions change. We present AxonSynth, a domain-randomized synthetic-data framework for training 3D axon segmentation models without manually annotated real training volumes. AxonSynth generates dense synthetic axon labels with orientation priors that reflect realistic fiber configurations and renders them with randomized density, contrast, bias fields, blur, and noise. A three-class 3D U-Net is trained to predict background, axon sheath and intra-axonal space. We evaluate zero-shot transfer on 10 held-out light-sheet microscopy (LSM) patches from macaque and human brain samples labeled with one of three axonal markers, comparing against calibrated thresholding and Frangi filtering using overlap, corrected detection, false-positive, and topology metrics. On macaque samples, AxonSynth achieved the best corrected Dice and corrected precision (0.826 and 0.851), compared with 0.765 and 0.754 for thresholding and 0.685 and 0.762 for Frangi. On human samples, corrected Dice was comparable to thresholding (0.857 vs. 0.868), while component-count error decreased from 22,504 to 3,377. Across all held-out patches, AxonSynth reduced component-count error in 10/10 patches and Euler-characteristic error in 8/10. These results show that synthetic-label domain randomization can reduce dependence on manual axon annotation while supporting synthetic-to-real 3D segmentation.