亮场显微镜活细胞图像的高通量低成本分割

活细胞培养是医学研究中分析细胞特性和动态的关键环节。本研究聚焦于对以亮场显微镜成像的无染色活细胞进行分割。虽然已有许多显微图像分割方法，但鲜有方法能持续应对亮场活细胞成像中高通量场景下的挑战，其中包括时间序列表型变化、低对比度、噪声以及因细胞运动引起的运动引起的模糊。我们开发了一个基于低成本 CNN 的管道，集成了在统一 U-Net 架构中比较冻结编码器的分析、注意力机制、实例感知系统、自适应损失函数、硬实例重训练、动态学习率、渐进机制以缓解过拟合，以及集成技术。该模型在包含多样化活细胞变体的公开数据集上进行验证，表现出与最先进方法持续一致的竞争性能，在低对比度、噪声和模糊图像上实现 93% 的测试准确率和 89% 的平均 F1 分数（标准差 0.07）。值得注意的是，模型主要在亮场图像上训练，仅接触相干显微镜（<20%），却能有效泛化至相干 LIVECell 数据集，显示出良好的模态适应性、鲁棒性和强大性能。这凸显了其在实际实验室部署中的潜力，可适用于各种成像条件。该模型所需的计算资源最少，可使用诸如 Google Colab 等基础深度学习环境进行训练，使其针对其他细胞变体的训练具有实用性。我们的管道在亮场显微镜分割方面在鲁棒性和精度上超越了现有方法。代码和数据集已提供以便可重复性。