摘要

结合成熟的二维细胞培养实验方案，光学显微成像技术可实现高通量的定量图像分析，用于研究各类生物现象。准确分割图像中的单个细胞，有助于深入探索复杂的生物学问题，但在对比度较低且细胞密度较高的情况下，往往需要依赖复杂的图像处理流程。基于深度学习的图像分割方法目前被视为该领域的前沿技术，但通常需要大量已标注的数据作为训练基础，而当前无标记（label-free）细胞成像领域尚缺乏此类可用的数据资源。为此，我们提出了LIVECell——一个大规模、高质量、经人工精细标注并由专家验证的相位对比显微图像数据集，包含来自多种细胞形态和培养密度条件下超过160万张细胞的图像。为进一步展示其应用价值，我们基于LIVECell数据集训练了基于卷积神经网络的分割模型，并提出了一套综合评估基准，用于系统性地衡量模型的分割精度。