[论文解读] Bayesian Optimization for Design Parameters of 3D Image Data Analysis

David Exler, Joaquín E. Urrutia Gómez+6 more|arXiv (Cornell University)|Feb 17, 2026

Machine Learning and Data Classification被引用 0

一句话总结

直接回答摘要：引入 3D-AOP，一种两阶段的贝叶斯优化框架，用于自动设计三维生物医学图像的分割与分类管线，使用注入式泛-pan质等量（IPQ）度量和辅助标注工作流。

ABSTRACT

Deep learning-based segmentation and classification are crucial to large-scale biomedical imaging, particularly for 3D data, where manual analysis is impractical. Although many methods exist, selecting suitable models and tuning parameters remains a major bottleneck in practice. Hence, we introduce the 3D data Analysis Optimization Pipeline, a method designed to facilitate the design and parameterization of segmentation and classification using two Bayesian Optimization stages. First, the pipeline selects a segmentation model and optimizes postprocessing parameters using a domain-adapted syntactic benchmark dataset. To ensure a concise evaluation of segmentation performance, we introduce a segmentation quality metric that serves as the objective function. Second, the pipeline optimizes design choices of a classifier, such as encoder and classifier head architectures, incorporation of prior knowledge, and pretraining strategies. To reduce manual annotation effort, this stage includes an assisted class-annotation workflow that extracts predicted instances from the segmentation results and sequentially presents them to the operator, eliminating the need for manual tracking. In four case studies, the 3D data Analysis Optimization Pipeline efficiently identifies effective model and parameter configurations for individual datasets.

研究动机与目标

• 动机并解决为三维图像分析管线在分割与分类方面的设计与参数设定的瓶颈。
• 提出一种两阶段的贝叶斯优化框架（3D-AOP），在不重新训练模型的情况下优化分割与分类。
• 引入一种新的分割质量度量（IPQ），对可解释错误如实例拆分进行惩罚。
• 提供一个辅助标注工作流，以减少分类器训练中的人工标注工作量。

提出的方法

• 数据合成以生成域适应的分割优化三维基准。
• 在一个离散模型集合和一个连续后处理参数空间上进行分割优化，使用高斯过程代理与期望改进，采用 IPQ 进行评估。
• 引入注入式泛汤（Injective Panoptic）质量（IPQ）作为分割目标，分解为 SQ、RQ 和 IQ 因子。
• 使用分割预测向操作员展示实例以实现高效标注的辅助标注工作流。
• 对编码器选择、分类头、预处理和预训练策略进行分类器优化，以验证精度为目标，使用随机森林代理和期望改进。

Figure 1: Progression of the introduced pipeline. 3D data (1) is used for data synthesis (2), combining instance simulation and domain adaptation. The synthetic data serves as input for segmentation optimization (3), where a pretrained model and postprocessing parameters are optimized with respect t

实验结果

研究问题

• RQ1 一个两阶段的贝叶斯优化管道是否可以自动选择分割模型和后处理参数，从而最大化三维数据的分割可解释性（IPQ）？
• RQ2 结合 BO 的辅助类别标注工作流是否可以在不大量人工标注的情况下有效优化三维基于实例的分类器设计参数？
• RQ3 数据集特征在多样化的三维显微数据集上对最优分割和分类器配置有多大影响？

主要发现

• 基于 BO 的分割优化在四个实验中显著高于基线与随机搜索的 IPQ、SQ、RQ、IQ。
• Core-Shell 数据集显示 IPQ 的改进包括 SQ 增加 0.13，而随机搜索使 SQ 下降 0.08。
• Myotube 数据集：BO 将 SQ 提升 0.48，而 RQ 与 IQ 的增益较为有限，凸显该数据集形态学的重要性。
• CTC 数据集在 IQ 上通过 BO 显示出显著改进（0.79 和 0.33），表明更好的实例合并以减少拆分错误。
• 分类器设计结果显示：(a) 较小的编码器在快速推断下也能达到具有竞争力的精度，(b) 预处理选择（掩码 vs 距离）具有实质性影响，(c) 预训练策略的影响取决于数据集。

Figure 2: Examples of idealized error types quantified by the IPQ metric. RQ detects hallucinations, IQ captures instance splitting, and SQ reflects oversegmentation.