本研究提出了多种基于UNet架构的深度学习模型，如UNet++、UNet 3+和ADS UNet，旨在提高医学图像分割的准确性和效率。这些模型通过深度监督和多尺度特征融合，优化了分割性能，特别是在细胞分割和实例检测方面表现突出。此外，研究还探讨了迁移学习和基于Transformer的方法，推动了显微成像中的细胞分析进展。

本研究提出了一个多模态细胞分割基准，包括超过1500个带标签图像，来自50多个不同的生物实验。参与者开发了一种基于Transformer的深度学习算法，超越了现有方法，可以应用于不同显微成像平台和组织类型的显微图像，无需手动参数调整。这为显微成像中更准确和多功能的细胞分析提供了有希望的途径。