基于多尺度特征融合的实时细胞图像分割方法
Xinyuan Zhang1, Yang Zhang1, Zihan Li1
1School of Mechanical Engineering, Hubei University of Technology, Wuhan 430068, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种用于精确细胞细分的新型人工智能模型,改进了细胞计数和融合评估. 通过精确分析细胞生长动态, 提升瘤微环境研究.
科学领域:
- 生物医学图像分析
- 计算生物学
- 医学中的人工智能
背景情况:
- 细胞生长评估对于疾病诊断和治疗开发至关重要.
- 精确的细胞细分对于量化细胞生长指标至关重要.
- 现有方法面临着多层次的异质性,不清楚的界限以及效率与准确性的权衡.
研究的目的:
- 开发一个创新的网络架构,以实现高效准确的细胞细分.
- 应对多尺度异质性和边界划定方面的挑战.
- 为瘤微环境研究提供可靠的自动化工具.
主要方法:
- 使用CLAHE和高斯模糊来增强图像的预处理管道.
- 一个双向特征金字塔网络 (BiFPN),用于增强多尺度特征识别.
- 适应性核卷积 (AKConv) 用于捕获异质细胞分布并改善边界细分.
- 以概率密度为导向的非最大抑制 (软NMS) 来减少不足的检测.
主要成果:
- 在GSC数据集中达到95.7%的mAP50 (盒子) 和95%的mAP50 (面膜).
- 演示了每秒38的推断速度.
- 成功支持双模输出用于单元汇合和精确计数.
结论:
- 拟议的模型在自动化细胞细分方面取得了重大进展.
- 它为瘤微环境中的细胞生长量化分析提供了可靠和有效的工具.
- 该方法有效地解决了当前细分技术的局限性.
