Apr, 2024
细胞图像分割模型在显微镜光学像差下的可靠性基准测试
Benchmarking the Cell Image Segmentation Models Robustness under the Microscope Optical Aberrations
Boyuan Peng, Jiaju Chen, Qihui Ye, Minjiang Chen, Peiwu Qin...
TL;DR细胞分割在生物医学研究中对于分析细胞形态与行为至关重要。深度学习方法特别是卷积神经网络（CNNs）通过从图像中提取复杂特征，对细胞分割进行了革命性的突破。然而，这些方法在显微镜光学像差下的鲁棒性仍然是一个重要挑战。本研究使用 DynamicNuclearNet（DNN）和 LIVECell 数据集，通过模拟像差条件全面评估了细胞实例分割模型的性能。采用 Zernike 多项式方程模拟了散光、像散、球差和煞状等像差。使用不同网络头（FPN，C3）和主干网络（ResNet，VGG19，SwinS）训练和测试了多种分割模型在有像差条件下的性能。结果表明，FPN 结合 SwinS 的组合在处理受轻微像差影响的简单细胞图像方面表现出优越的鲁棒性，而 Cellpose2.0 在类似条件下对于复杂细胞图像的分割也表现出良好效果。我们的发现为基于细胞形态和像差严重程度选择适当的分割模型提供了启示，提高了生物医学应用中细胞分割方法的可靠性。需要进一步研究来验证这些方法在不同像差类型和新兴分割模型中的有效性。总的来说，本研究旨在指导研究人员在存在轻微光学像差的情况下有效利用细胞分割模型。