从增强显微镜到拓扑Transformer：阿尔茨海默病研究中细胞图像分析的新方法

细胞图像分析在阿尔茨海默病研究中对于检测抑制细胞功能的A$\beta$蛋白至关重要。深度学习通过使仅低层次数据就足以进行有效检测，从而加速了这一过程。我们首先通过比较多类别语义分割的性能，发现Unet最适合增强显微镜。我们开发了增强显微镜方法来捕获明场图像中的细胞核，以及使用Unet模型的Transformer将输入图像转换为拓扑信息序列。关于交并比的性能在图像预处理和真值生成的选择方面表现一致。使用特定细胞类型的数据训练模型表明，迁移学习在一定程度上适用。拓扑Transformer旨在提取包含给定细胞图像几何信息的持久性轮廓或景观签名。这种特征提取有助于将图像作为一维数据的集合进行研究，从而大幅降低计算成本。使用该Transformer，我们尝试仅依赖拓扑特征按细胞类型对细胞图像进行分组。Transformer后接SVM、XGBoost、LGBM和简单卷积神经网络分类器的性能不如传统的图像分类。然而，由于这项研究通过结合深度学习和拓扑学进行图像分析，在生物医学研究中开创了一个新的视角，我们推测后续研究将强化我们这一原创性方案。