Identification of spot-like structures in large, noisy microscopy images is a crucial step for many life-science applications.
这篇论文2024年投稿，一年后才被Nature Methods接收，并在2025年6月发表，还是很不错的。
论文主要介绍了一种名为Spotiflow的新方法，用于在成像基础的空间转录组学（iST）中进行精确和高效的斑点检测。该方法通过将斑点检测问题转化为多尺度立体流回归问题，实现了亚像素级的定位。Spotiflow在不同的噪声条件下表现出强大的鲁棒性，并且能够在不同的环境中进行泛化，同时在时间和内存效率上比常用方法提高了一个数量级。
spotiflow这个工具通过python代码构建（源代码仓库），可以作为python模块调用使用说明文档，同时作者也发布了napari的插件，便于用户使用。
通过上图可以看到：
首先，生物成像确实存在大量在低信噪比图像中分析斑点信号的需求，上面给出了包括DNA FISH, smFISH, MERFISH等等代表性图像。因此提供一个强大的好用的斑点信号分析工具具有广泛的应用前景。这符合Nature Methods杂志的定位。
其次，斑点检测是最基础的图像分析，已经存在大量genneral的方法。所以作为新方法，自然要和已有的各种方法进行比较，从而说明spotiflow确实向前迈出了一小步。这里给的指标是 [F1 Score]，这个值越大意味着模型越好。F1分数主要是为了克服样本不均情况，对模型准确率和召回率进行了调和平均，感兴趣的朋友可以看看这篇博客。
上图图注的写法也可以学习一下：
Benchmarking of spot detection methods on different datasets, grouped by their modality (Synthetic, FISH, Live cell imaging). Shown is the distribution of F1 scores with median (box middle line), mean (empty circle), first and third quartiles (bottom and top box extrema) and 1.5 times the interquartile range (whiskers) for all images (boxplot) and individual scores per image (dots) in the test set of every dataset. A sample training image is given under each dataset. Spotiflow (general) was trained on all datasets except DNA FISH. For the DNA FISH dataset, the reported Spotiflow general score on the test set was obtained with the general model fine-tuned on three training images.
总之看测试效果，spotiflow在测试数据上的表现确实不错。所以为啥这个方法能奏效呢？这个工作利用U-Net对数据进行训练，U-Net最终会得到两张图，一个是流场的图，另外一个不同像素分辨率的heatmap。所以这个工作也是对神经网络模型的应用，如果大家感觉用得不好，可能要自己重新训练下模型。
heatmap容易理解，就是不同程度高斯处理之后得到的图，然后数值和这个像素位置是否存在spot的中心的概率对等。而这个流场的图，就是每个像素位置到距离最近的spot位置的一个矢量。所以只要标定了spot的位置，就可以生成一个这样的flow图。然后再结合这两张图提供的信息，计算中spot的亚像素定位坐标。
怎么结合的呢？文章说的很简单：To produce the final spot coordinates from a given prediction, we use the peaks of the highest-resolution heatmap to obtain preliminary spot locations, which we refine with the inverted stereographic flow (Methods), enabling modeling of subpixel locations and substantial lowering of localization errors。 看上去heatmap进行粗定位，然后flow图进行refine，以便拿到亚像素级的坐标。
说到这里，这个工作我感觉关键创新点就在于使用流场来对spot的亚像素级定位进行估计。事后诸葛亮来看，这也是比较容易想到的，如果大家知道位图和矢量图的差异，就能明白亚像素级定位用矢量的好处。不过这个工作还围绕这个点，对工具的性能和易用性做了各种优化，并且还支持三维的分析。从而使得这个工作丰富完整。
最后翻翻审稿意见，基本上审稿人对这个工作还挺欢迎的，审稿意见更多是在提新的需求（对开发人员的致命暴击）：
