光学显微镜下存在光学像差时的细胞分割模型实用指南

细胞分割在生物医学研究中对于分析细胞形态和行为至关重要。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彻底改变了细胞分割。然而，这些方法在显微镜光学像差下的稳健性仍然是一个关键挑战。本研究评估了在荧光和明场显微镜光学像差下的细胞图像分割模型。通过模拟不同类型的像差，包括像散、彗差、球差、三叶差和混合像差，我们分别使用代表荧光和明场显微镜细胞数据集的 DynamicNuclearNet（DNN）和 LIVECell 数据集对各种细胞实例分割模型进行了全面评估。我们在像差条件下训练和测试了几种分割模型，包括大津阈值法和具有不同网络头部（FPN、C3）和骨干网络（ResNet、VGG、Swin Transformer）的 Mask R-CNN。此外，我们为复杂细胞退化图像上的 Cellpose 2.0 工具箱提供了使用建议。结果表明，FPN 和 SwinS 的组合在处理受轻微像差影响的简单细胞图像时表现出卓越的稳健性。相比之下，Cellpose 2.0 在类似条件下对复杂细胞图像有效。此外，我们创新性地提出了点扩散函数图像标签分类模型（PLCM）。该模型可以快速准确地从点扩散函数图像中识别像差类型和幅度，帮助没有光学训练的研究人员。通过 PLCM，研究人员可以更好地应用我们提出的细胞分割指南。本研究旨在为在存在轻微光学像差的情况下有效利用细胞分割模型提供指导，并为未来的研究方向铺平道路。