摘要

在基于图像的细胞生物学研究中，识别显微图像中的细胞是关键的一步。细胞实例分割（cell instance segmentation）为研究细胞的形状、结构、形态及大小提供了重要途径。当前基于深度学习的细胞实例分割方法依赖于每个细胞的实例分割掩码（segmentation mask），而这类标注工作耗时且成本高昂。尽管细胞生物学领域积累了大量未标注的显微图像数据，但由于实例分割方法对标注的高要求，这些数据的潜在价值尚未被充分挖掘。本文提出一种弱监督学习方法，仅需点标注（point annotation）和边界框（bounding box）标注即可实现细胞实例分割，显著降低了标注成本。该方法在基准数据集LIVECell上进行了评估，仅使用每个细胞的边界框和随机生成的点标注，便达到了43.53%的平均精度（mean average precision），性能与使用完整分割掩码进行全监督训练的方法相当。此外，与完整掩码标注相比，采用边界框与点标注的标注效率提升了3.71倍，大幅提高了标注速度与实用性。