编辑推荐：
在病毒研究中，传统的病毒噬斑分析需手动量化，既费力又耗时。研究人员开展了关于痘苗病毒（VACV）噬斑定量的研究，创建 VACVPlaque 数据集，训练基于 StarDist 的模型，提出 HydraStarDist 架构。这推动了病毒研究的发展。
在病毒的神秘世界里，准确地检测和量化病毒对于科研和诊断至关重要。病毒噬斑分析（virological plaque assay）作为检测和量化感染性病毒的主要方法，就像是一把关键钥匙，能打开了解病毒奥秘的大门。它不仅能帮助研究人员知晓样本中病毒的数量，还能从病毒噬斑的表型中挖掘出病毒生命周期和传播机制的重要信息。
然而，传统的病毒噬斑分析方法却存在着不小的问题。通常情况下，它需要研究人员手动去量化噬斑表型，这可是一项极其繁琐的工作。想象一下，研究人员需要长时间盯着培养板，一个一个地数噬斑，既耗费大量时间，又容易因为疲劳而出错。随着科技的发展，一些现代化的改进方案被提了出来，但由于各种原因，传统的手动量化方法依然在全球的实验室中广泛使用。
在这样的背景下，为了突破传统方法的困境，来自德国的 Center for Advanced Systems Understanding（CASUS）、Helmholtz-Zentrum Dresden-Rossendorf e.V.（HZDR）以及波兰的 Institute of Computer Science, University of Wroc?aw 等机构的研究人员展开了深入研究。他们致力于利用现代技术，为病毒噬斑分析带来新的变革。
经过不懈努力，研究人员取得了一系列重要成果。他们创建了一个名为 VACVPlaque 的注释开放数据集，这个数据集包含了 211 张 6 孔组织培养板的数字照片，照片中的痘苗病毒（Vaccinia virus，VACV）噬斑清晰可见。通过这个数据集，研究人员可以更方便地对病毒噬斑进行研究。同时，他们还展示了如何利用深度学习，基于生物医学实例分割的领先架构 StarDist 对这些照片进行分析。不仅如此，他们还提出了一种改进的架构 HydraStarDist，这种架构能够在一步之内完成对培养板孔和单个噬斑的检测与分割，大大提高了分析效率。这些研究成果发表在《Scientific Data》上，为病毒研究领域提供了新的思路和方法。
研究人员在开展这项研究时，运用了多个关键技术方法。首先是数据收集，他们使用苹果 iPhone 6 和小米 Mi A1 两种设备，从不同角度拍摄进行了 VACV Western Reserve 噬斑分析的 6 孔板照片，构建原始数据集。在数据处理方面，利用 ImageJ/Fiji 软件手动注释噬斑和孔，还通过调整图像分辨率以降低计算复杂度。模型训练则基于 Tensorflow 框架，采用 Adam 优化器对 StarDist 和 HydraStarDist（HSD）架构模型进行训练，并使用特定指标评估模型性能。
下面来看具体的研究结果：
- 数据记录：VACVPlaque 数据集在 RODARE 平台开放共享，遵循知识共享署名 4.0 国际许可协议。数据源于 211 张照片，用两部手机从不同视角拍摄。为便于机器学习模型训练，数据集按 0.7:0.2:0.1 的比例划分为训练集、验证集和测试集，且确保验证集和测试集无重复图像。每个数据文件包含 “images”“plaque_masks”“well_masks” 三个子目录，分别存储原始图像、噬斑和孔的实例掩码。
- 技术验证：为验证数据集适用于深度学习，研究人员开展多项实验。在任务和架构设计上，选择实例分割任务，以 StarDist 为基线架构，提出 HSD 架构。模型性能验证显示，两种架构都能有效分割孔和噬斑，虽然 HSD 会漏检部分噬斑，但它能同时完成两种对象的分割，而 StarDist 需两个独立模型。定量评估指标表明，多数情况下 StarDist 性能更优，但在孔的分割及特定阈值下噬斑分割时，HSD 与 StarDist 性能相近。在验证消融研究中，研究人员探究了发光度和缩放对图像的影响，发现改变这些因素后，模型性能相对稳定，HSD 在部分情况下性能还会提升。
研究结论和讨论部分，该研究成功构建 VACVPlaque 数据集，结合深度学习架构，为痘苗病毒噬斑定量分析提供高效方案。这不仅解决了传统手动量化的难题，还推动了病毒研究技术的进步。HydraStarDist 架构的提出，为实现单步、端到端的病毒噬斑分析带来可能，有望应用于其他病毒噬斑检测，助力病毒学研究迈向新高度，为应对病毒相关疾病提供更有力的技术支持。
