自动阈值和标记法追踪和分析荧光标记细胞的方法
内容提要
本文综述了显微图像细胞分析的多项进展，涵盖流式细胞术自动门控与聚类算法比较、细胞核无监督分割、基于引力场的细胞检测与跟踪、点式细胞分类、弱监督HoVer-Net计数、可解释深度学习识别正常与转移细胞、虚拟染色、3D多目标跟踪、3D培养细胞存活性图像分析及大规模三维细胞追踪方法。
延伸解读
流式细胞术自动门控的局限与算法比较
文章指出，研究探讨了自动化门控算法在流式细胞术中的局限性，并比较了三种典型自动聚类算法与子空间聚类算法ProClus在识别细胞群中的性能。这提示读者，尽管自动门控能提高效率，但不同算法在细胞群识别上可能存在差异，实际应用中需根据数据特点选择合适方法，并注意其局限性。
无监督分割与可解释性提升
文章提到，有研究建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用定量相位信息引入新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。这表明无监督方法能减少标注依赖，同时通过新特征增强诊断的可解释性，为临床辅助诊断提供新思路。
3D细胞追踪与存活分析的技术进展
文章综述了多项3D细胞分析技术：基于3D分割的多目标跟踪方法在准确性和事件识别上分别提升2.96%和35.48%；3D培养细胞存活性图像处理算法无需试剂，分析时间较专家减少97%；大规模三维细胞追踪通过分割选择方法，能处理TB级数据集且不依赖三维标注，达到竞争水平。这些进展提升了分析效率与可复现性。
可解释深度学习与虚拟染色的应用潜力
文章介绍，可解释深度学习框架能区分正常与转移人类细胞，通过多重关注通道网络和全局可解释技术，首次更详细理解细胞骨架变化，并为空间微米级生物标志物铺路。此外，基于生成对抗网络的虚拟染色可将未标记组织自动荧光图像转化为亮场图像，节约组织学检查时间和成本。这些技术展示了在诊断工具开发中的潜力。
Q&A
流式细胞术中的自动门控算法有哪些局限性？
文章研究了自动化门控算法在流式细胞术中的局限性，并比较了三种典型自动聚类算法和子空间聚类算法 ProClus 在识别细胞群中的性能。
有没有方法可以自动、快速、无监督地分割细胞核？
有，文章建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。
基于引力场的方法在荧光显微镜图像中能做什么？
基于引力场的新方法可以在荧光显微镜图像中进行自动细胞检测、分割和跟踪，可与现代机器学习模型竞争并潜在地超越其性能。
如何自动计数血管壁动脉粥样硬化斑块细胞？
文章开发了一种自动计数血管壁动脉粥样硬化斑块细胞的方法，使用弱监督学习方法训练 HoVer-Net 模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。
深度学习如何区分正常和转移的人类细胞？
文章开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，增强了网络的可解释性，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。
虚拟染色技术如何节约组织学检查成本？
文章使用基于深度学习的生成对抗网络模型，将未标记组织样本的自动荧光图像转化为等效于其染色样本的亮场图像，实现了一种免标记虚拟染色的显微镜图像制作方法，有效节约了组织学检查的时间和成本。
3D培养的细胞存活性如何通过图像处理算法分析？
文章提出了一种用于3D培养的细胞存活性的图像处理算法，具有消除基于试剂的指标的需求，通过使用高内容成像系统，能够在个体瘤球和整体培养基水平上成功跟踪细胞存活性，分析时间较专家减少了97％。这种方法不受显微镜或成像系统的限制，为推动生物和临床研究中3D培养分析的进展提供了基础，同时提高了分析的鲁棒性和可复现性。
大规模三维细胞追踪有哪些有效方法？
文章通过分割选择方法实现大规模三维细胞追踪，该方法在两个方面对大规模显微数据集中的细胞追踪问题具有有效性：（i）能够解决拥有数百万分割实例的TB级三维时间数据集的问题；（ii）能够在不依赖稀缺的三维标注数据的情况下与使用深度学习的方法达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。证明该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。此外，该框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。
