BigStitcher rotinv-stack64
3D-эмбеддинги для микроскопии, устойчивые к поворотам и отражениям
2 min readupdated
Компактная 3D-свёрточная нейросеть от JaneliaSciComp, которая превращает найденные особые точки (DoG-детекции) в объёмных снимках световой микроскопии в 64-мерные векторы. Главное отличие от базовой модели (translation-invariant) — полная инвариантность к поворотам и зеркальным отражениям: если один и тот же биологический объект снят под разными углами, нейросеть выдаст для его точек близкие дескрипторы. Модель экспортирована в ONNX и запускается прямо внутри BigStitcher на встроенном Java-движке без внешнего Python-окружения. Инструмент пригодится биологам и специалистам по обработке 3D-изображений для автоматического совмещения многоракурсных съёмок.
Ключевые особенности
- Инвариантность к ориентации: стандартизация внутри графа считается по сферической маске радиусом 8 вокселей, а обучение на поворотах до 180° и отражениях позволяет сопоставлять ракурсы без знания их взаимного угла.
- Многомасштабный анализ: на вход подаются 5 изотропных кубов размером 16×16×16 вокселей с разным охватом вокруг точки (множители 5, 8, 13, 20 и 30 к масштабу детекции sigma).
- Защита от смешивания моделей: каждый массив векторов помечается SHA-256 отпечатком весов и конфига — BigStitcher не даст случайно сопоставить дескрипторы от разных моделей.
- Готовность к работе из коробки: файлы ONNX и JSON-конфиг автоматически скачиваются в
~/.bigstitcher/modelsи работают через встроенный Java ONNX evaluator.
Что можно сделать
- Совмещать многоракурсные объёмы (multi-view): вычислять эмбеддинги для флуоресцентных бусин и клеточных ядер в эмбрионах дрозофилы, C. elegans или образцах экспансионной микроскопии и находить пары через косинусное сходство и RANSAC.
- Интегрировать в кластерные пайплайны: автоматизировать расчёт дескрипторов и сшивку больших датасетов через утилиту BigStitcher-Spark (версии 0.2.0 и выше) прямо из командной строки.
Пример
embed-interestpoints -x dataset.xml -l --model hf://JaneliaSciComp/bigstitcher-embedding-rotinv-stack64
match-interestpoints -x dataset.xml -l -m EMBEDDINGS
Подробнее
Recall на реальных повёрнутых парах ракурсов: 72% на новом многоракурсном датасете вне обучающей выборки, 68% на экспансионной микроскопии, 63% на окрашенных ядрах и 18–21% на эмбрионе дрозофилы (у модели без инвариантности к поворотам — 0.1–2%).При повороте на 90° восстанавливает 55% истинных соответствий против 59% без поворота, при отражении по осям — 56%.
Ограничения: уступает translation-invariant версии на обычных тайлах одной ориентации (находит 66–89% её соответствий) и хуже работает на структурах, не похожих на ядра и флуоресцентные бусины.










Comments