基于全卷积网络的经处理与未经处理肿瘤球体的图像分割

多细胞肿瘤球体（MCTS）是用于评估联合放疗和（或）化疗影响的先进细胞培养系统。它们表现出具有治疗相关性的类体内特征，从三维细胞间和细胞与基质间的相互作用，到与增殖活性和营养/氧气供应相关的径向病理生理梯度，这些都会改变细胞的放射反应。最先进的检测方法基于每个辐射剂量和治疗臂下大量经处理球体群体收集的明场图像时间序列，量化长期治愈终点。在此，基于Kaplan-Meier曲线，记录球体控制概率，类似于体内肿瘤控制概率。这些分析需要对每个治疗臂多达100,000张图像进行繁琐的球体分割，以从图像中提取相关的结构信息，例如直径、面积、体积和圆形度。尽管有几种图像分析算法可用于球体分割，但它们都专注于在整个生长过程中具有清晰可辨外缘的紧凑MCTS。然而，经处理的MCTS可能会部分脱落和破坏，并且通常被死细胞碎片遮挡。我们成功训练了两个全卷积网络，UNet和HRNet，并优化了它们的超参数，以开发针对未经处理和经处理MCTS的自动分割方法。我们在源自两种人类头颈部癌细胞系的更大、独立的球体数据集上系统验证了该自动分割方法。我们发现，对于大多数图像，手动分割与自动分割之间具有极佳的重叠度，Jaccard指数约为90%量化了这一点。对于分割重叠度较小的图像，我们证明该误差与不同生物学专家之间分割结果的差异相当，这表明这些图像代表了生物学上不明确或模糊的情况。