基于深度学习的实验室平板图像端到端噬斑计数与病毒滴定
计算机视觉与模式识别
2026-05-18 v1
摘要
噬斑测定仍然是病毒传染性的金标准读数；然而，从平板图像中进行噬斑计数是劳动密集型的，并且容易受到操作者间变异性的影响。我们提出了一种端到端的计算机辅助工作流程，用于直接从实验室噬斑测定图像中进行基于细胞病变效应的病毒滴定。所提出的方法结合了两个源自Segment Anything Model的模型：一个基于SAM2的孔分割模块，用于在异构成像条件下定位测定孔；以及一个基于SAM的噬斑分割模型，用于检测和计数每个孔内的噬斑。该方法在一个混合数据集上进行了评估，该数据集包含Mayaro病毒和柯萨奇病毒B3的私有噬斑测定图像，以及来自VACVPlaque数据集的公共痘苗病毒图像。该流水线输出每孔噬斑计数，自动计算每毫升噬斑形成单位，并集成到一个基于网络的平台中，允许用户查看结果和组织实验。在留出的平板上（17个来自MAYV/CVB3，22个来自VACV），该工作流程泛化到两种平板格式（6孔和12孔），并与手动注释显示出高度一致性（MAYV/CVB3的皮尔逊相关系数为0.92，VACV为0.88）。自动噬斑计数进一步与四位独立专家的注释进行了比较，显示出高度的一致性。所提出的系统将在稿件被接收后开源并公开发布，以实现可重复、可扩展且可审计的噬斑测定分析，同时大幅减少手动注释工作。
引用
@article{arxiv.2605.16008,
title = {End-to-end plaque counting and virus titration from laboratory plate images with deep learning},
author = {Eugenia Moris and Alicia Costábile and Sebastián Rey and Irene Ferreiro and Joaquín Hurtado and Lizandra Lissette Luciano and Matías Villagrán and Aisha Espino Vázquez and Jomari Ramos and Isadora Monteiro and María Victoria de Santiago and Pilar Moreno and Gonzalo Moratorio and José Ignacio Orlando},
journal= {arXiv preprint arXiv:2605.16008},
year = {2026}
}