CellFMCount：荧光显微镜细胞计数数据集、基准与方法

准确的细胞计数在生物医学研究和临床应用中至关重要，包括癌症诊断、干细胞研究和免疫学。人工计数劳动密集且易出错，推动了通过深度学习技术实现自动化。然而，训练可靠的深度学习模型需要大量高质量标注数据，手动获取困难且耗时。因此，现有的细胞计数数据集通常规模有限，图像数量往往不足500张。本工作中，我们引入了一个大规模标注数据集，包含来自与细胞分化相关的免疫细胞化学实验的3,023张图像，其中包含超过430,000个手动标注的细胞位置。该数据集具有显著挑战性：细胞密度高、细胞重叠且形态多样、每张图像的细胞数量呈长尾分布，以及染色方案存在差异。我们在细胞数量从10到2,126的测试集上，对三类现有方法——基于回归的方法、密集计数方法和细胞计数方法——进行了基准测试。我们还评估了Segment Anything Model (SAM)如何利用仅有点标注的数据集适配用于显微镜细胞计数。作为案例研究，我们实现了基于密度图的SAM适配方法（SAM-Counter），报告的平均绝对误差（MAE）为22.12，优于现有方法（第二优MAE为27.46）。我们的结果强调了该数据集和基准框架对推动自动化细胞计数进展的价值，并为未来研究与发展提供了坚实基础。