基于卡西尼卵形的鲁棒有丝分裂检测新方法及其在细胞成像中的应用

本研究针对细胞有丝分裂自动检测中深度学习模型计算复杂且易受分割不完整影响的问题，提出了一种基于卡西尼卵形几何特性的无监督检测方法。该方法结合MaxSigNet深度学习模型进行初始细胞分割，通过卡西尼卵形单环/双环模式切换实现母细胞与子细胞的精准识别，在四种细胞系的六个数据集中取得F1值最高达100%的优异性能，对不完整分割的鲁棒性显著优于传统方法（F1值平均仅下降20%），为自动化细胞分析提供了创新解决方案。

　　

准确检测有丝分裂过程在自动化细胞分析中至关重要，然而现有方法多依赖于深度学习模型或复杂检测技术，这些方法不仅计算量大，且在细胞分割不完整时容易出错。本研究创新性地利用卡西尼卵形（Cassini oval）的几何特性，开发了一种无需监督学习的检测新策略。该方法首先通过新型深度学习模型MaxSigNet完成初始细胞分割，继而运用卡西尼卵形单环模式识别初始帧中的母细胞，并在后续帧中切换至双环模式追踪子细胞，从而确认有丝分裂事件。成功检测的关键在于母细胞中需存在相等的非零焦点值，而子细胞中需呈现显著差异的非零焦点值。实验覆盖四种细胞系的六个数据集，在四个数据集中实现F1值、召回率（Recall）和精确率（Precision）三项指标均达100%，其余两个数据集分别获得96%和85%的优异表现。与传统方法（如K均值聚类（K-means）、Felzenszwalb算法和分水岭算法（Watershed））对比显示，本方法在F1值和召回率指标上均具明显优势，且对不完整分割具有强鲁棒性（F1值平均仅下降20%）。该研究通过几何模型与深度学习的协同创新，为细胞行为研究提供了更可靠、高效的技术支撑，在生物医学领域具有广泛应用前景。