摘要

在过去十年中，深度学习的快速发展使得许多曾被认为极具挑战性的生物医学问题如今变得可行。U-Net与Mask R-CNN等网络架构的提出，为从安防到生物医学等多个领域的目标检测与图像分割任务开辟了新路径。在细胞生物学领域，光学显微成像提供了一种成本低廉且易于获取的原始数据来源，可用于研究各类生物现象。结合此类数据与深度学习技术，人类疾病的诊断得以更加便捷，新药研发与治疗方案的开发进程也显著加快。在显微成像中，对单个细胞进行精确分割是深入理解细胞异质性的关键步骤。针对上述挑战，本文提出了一种名为DeepCeNS的新方法，用于在显微图像中实现细胞及细胞核的检测与分割。为验证所提出方法的有效性，我们采用了EVICAN2数据集，该数据集包含来自多种显微镜设备的大量细胞培养图像。实验结果表明，DeepCeNS在EVICAN2数据集上的表现显著优于EVICAN-MRCNN。