基于深度学习的荧光显微镜细胞自动计数

在荧光显微镜中对细胞进行计数是一项繁琐、耗时的任务，研究人员必须完成它以评估不同实验条件对感兴趣生物结构的影响。尽管此类目标通常易于识别，但由于操作者对边界情形的判断，手动标注细胞的过程有时带有任意性。我们提出了一种机器学习方法，以二值分割方式利用全卷积网络来定位感兴趣目标，随后将检测到的目标数量作为计数。具体而言，我们采用类 UNet 架构，借助残差单元和扩展瓶颈层来扩大视野。此外，我们使用加权图，随着细胞拥挤程度增加而对细胞边界上的错误施加递增的惩罚。这些改动提供了更多上下文，并迫使模型在逐像素分类时聚焦于相关特征。因此，模型性能得到提升，尤其在存在成团细胞、伪影和混淆性生物结构时。随后与领域专家对结果的评估确认，模型能正确检测感兴趣的细胞。该模型展现出人类水平的能力，以至于即便错误的预测似乎也落在操作者判断的限度之内。这一定性评估也得到定量指标的佐证：${F_1}$ 分数为 0.87。尽管在解释上存在一些困难，计数任务的结果也令人满意，其均值与中位数绝对误差分别为 0.8 和 1。