酵母细胞荧光显微镜图像的完全自动化端到端流程：从分割到检测与分类

近年来，在高通量实验室环境中收集了海量荧光显微镜图像。在短期内分析和提取所有图像中的相关信息几乎不可能。检测微小的单个细胞区室是生物学家面临的诸多挑战之一。本文旨在通过构建一个端到端流程来解决此问题，该流程采用深度学习领域的方法，自动分割、检测并分类酵母细胞荧光显微镜图像中的细胞区室。为此，我们使用Mask R-CNN自动分割并标注大量酵母细胞数据，并使用YOLOv4从这些图像中自动检测并分类单个酵母细胞区室。这一完全自动化的端到端流程旨在集成到PerICo1项目的交互式e-Science服务器中，生物学家可以以最小的人力投入进行训练和操作，以完成其各种分类任务。此外，我们在NOP1pr-GFP-SWAT酵母细胞数据库的数据上评估了最先进的YOLOv4的检测与分类性能。实验结果表明，通过将原始图像划分为4个象限，YOLOv4在准确率和速度方面输出良好的检测与分类结果，F1-score达98%，这最优地适配了显微镜的原生分辨率和当前的GPU显存大小。尽管应用领域为酵母细胞光学显微镜，该方法也适用于医学应用中的多细胞图像。