编辑推荐：
研究人员为解决有丝分裂事件检测难题，开展相关研究，构建模型检测准确率高，具重要意义。
在生命科学和医学研究的微观世界里，细胞就像一个个神秘的小精灵，它们的生长、分裂等行为蕴含着无数的奥秘。细胞群体及其行为的精确分析对于生物和医学研究极为关键，比如在组织工程领域，了解细胞如何生长和分化，有助于构建更有效的人工组织；在癌症研究中，掌握癌细胞的分裂规律，能为攻克癌症提供重要线索。
然而，目前细胞行为分析主要依靠显微镜观察和成像技术，这一过程需要人工手动操作，不仅耗时费力，而且传统的图像处理方法也存在诸多弊端。由于图像中存在噪声和伪影，一些现象容易被误判为有丝分裂事件，导致检测精度低下。同时，传统细胞成像方法在高细胞密度下性能不佳。为了解决这些难题，来自比利时 KU Leuven 大学的研究人员 Panason Manorost、Thomas Deckers 等人开展了一项关于有丝分裂事件检测和分类的研究，相关成果发表在《Scientific Reports》上。
研究人员采用了多种关键技术方法。首先，利用两个不同的数据集，即公开的相衬显微镜（PCM）数据集和无透镜成像（LFI）数据集。对于 PCM 数据集，通过将图像平均强度的两倍作为自适应阈值来检测感兴趣区域（AOI）；对于 LFI 数据集，结合强度图像和相位图像的信息来分割 AOI。在细胞分割方面，PCM 数据集使用特定的迭代阈值和分水岭分割方法，LFI 数据集则运用 Otsu 阈值法。此外，通过计算欧几里得距离和重叠面积来进行事件跟踪和候选检测，从 AOI 和细胞中提取 67 个相关特征，并利用互信息和方差分析（ANOVA）进行特征选择，最后使用多种分类器进行有丝分裂事件检测。
研究结果如下：
- 图像分割和预处理：PCM 图像背景存在梯度变化，通过自适应阈值法能有效检测 AOI，其中包含两个圆形细胞的 AOI 对检测有丝分裂后期很重要；LFI 图像虽有噪声，但通过结合强度图像和相位图像能准确检测 AOI，且有丝分裂事件在强度图像中更易识别12。
- 事件跟踪和候选检测：对比 PCM 和 LFI 数据集，发现 LFI 数据集能更准确检测有丝分裂事件，因为其包含两种输入图像，在高细胞密度条件下优势明显。研究人员共从 PCM 和 LFI 数据集中分别提取了 3,096 和 701 个有丝分裂事件候选34。
- 特征提取：研究提取了 67 个与细胞和 AOI 特征以及动态活动相关的特征，发现分裂帧相关特征在分类中起重要作用。PCM 数据集的前三个特征大多与 AOI 相关，LFI 数据集的则主要是细胞相关特征，且 LFI 数据集特征的类间分离更明显56。
- 分类：多种模型用于分类，结果显示大多数模型召回率较高，但精度有待提高。规则基模型使用较少特征就能取得较好效果，且 LFI 数据集所需特征数量明显少于 PCM 数据集。特征选择方面，PCM 数据集的 AOI 相关特征和 LFI 数据集的细胞面积属性相关特征较为重要78。
研究结论和讨论部分指出，PCM 和 LFI 数据集虽分辨率提供的信息相当，但图像特征不同，导致有丝分裂事件的形态变化反映不同。LFI 数据集因输入类型多样，分类得分更优。研究还发现，从 67 个提取的特征中，3 个最佳分裂特征就能有效分离数据。与文献中的神经网络模型相比，该研究的模型更简单且可解释，仅用 10 个特征就能获得高分类分数，性能与神经网络模型相当。不过，该模型在有丝分裂检测方面表现良好，但在排除假阳性方面还有提升空间，后续可通过更好的图像分割或预处理来优化。同时，对于具有不同有丝分裂形态的细胞系，建议重新训练模型以适应新形态。
总的来说，这项研究为有丝分裂事件检测提供了一种新的、有效的方法，其可解释的特征和高效的模型为后续相关研究奠定了重要基础，有望推动组织工程、癌症研究等领域的进一步发展。
