轻量级U-Net实现成像流式细胞术中细胞的高效精准分割

本文提出一种针对成像流式细胞术（IFC）的轻量级U-Net模型，解决了传统阈值法在低对比度图像中精度不足、标准U-Net计算耗时过长的问题。通过优化网络架构（缩减深度、滤波器数量和卷积层）并结合高质量数据标注工具（CytoPix），模型在变形性细胞术（DC）应用中实现了35倍CPU加速，显著降低血液样本机械表型分析的测量误差（如淋巴细胞面积偏差减少40%）。该框架为高通量细胞形态分析提供了兼顾速度与精度的解决方案，可拓展至相位差/暗场成像场景。

　　

---

小标题结构归纳

研究背景与挑战

成像流式细胞术（IFC）结合流式细胞术的高通量与高分辨率成像优势，在无标记技术（如变形性细胞术DC）中需快速精确的细胞分割以分析机械表型（疾病标志物）。传统阈值法在低对比度图像中准确性不足，而标准U-Net因计算复杂难以满足实时需求。现有模型压缩研究未针对性解决IFC场景，亟需兼顾速度与精度的新方法。

方法创新

数据优化与标注
构建包含多种血细胞（红细胞ERY、白细胞WBC、血小板THR）和聚丙烯酰胺（PAA）微球的训练集，涵盖不同亮度、焦距条件。开发交互式标注工具CytoPix，通过背景减除与阈值预分割提升标注效率，确保像素级精度（关键用于提取面积、形变等机械特征）。数据集最终包含1,728张图像（含PAA）和1,536张（纯血细胞）。

轻量U-Net设计
通过三维度压缩标准U-Net：

1. 层级深度（LVL）：从4层减至2层
2. 初始滤波器数（FLT）：从64个减至8个
3. 卷积层数（CNV）：每模块从2层减至1层
   模型命名规则为"LVL-FLT-CNV"（如2-8-2）。在TensorFlow/PyTorch框架训练，采用焦点Tversky损失函数，并通过ONNX格式优化CPU推理速度。

性能验证

速度与精度平衡
在11种压缩架构中，2-8-2模型实现最佳平衡：

• 速度：CPU推理时间0.3小时/百万图像（标准U-Net为19.9小时），提速35倍
• 精度：Dice相似系数（DSC）达0.975，接近标准U-Net（0.978）
  关键发现：双卷积层比增加层级更能提升特征捕捉能力；PyTorch转ONNX较Keras进一步加速10%。

数据质量的核心作用
通过添加难分割样本（如血栓微聚集体）进行数据增强，模型DSC提升2.1%（图4A）。训练集剔除PAA微球后，血细胞分割精度反超标准U-Net，说明数据针对性比架构复杂度更重要。

对比实验

主流算法较量
在血细胞分割任务中（图5）：

• 轻量U-Net（2-8-2）在DSC（0.975）、IoU（0.924）上媲美标准U-Net
• 显著优于DeepLab v3（DSC 0.892）和预训练CellPose（DSC 0.732）
• 阈值法因系统性偏差被淘汰：淋巴细胞面积低估40%，90%细胞在聚焦测量中漏检（图6）

机械表型分析提升
在DC应用中（图6D）：

• 轻量U-Net使淋巴细胞面积、形变（Deformation）和惯性比（Inertia Ratio）的测量波动降低50%
• 消除阈值法对图像亮度（69–177灰度级）和焦距的敏感性，提升临床结果可靠性

应用拓展

该框架适配不同成像模态（明场/暗场/相位差），开源工具CytoPix与模型代码（GitHub: DC-analysis/CytoPix）支持用户自定义训练。在资源受限场景（如床边检测）中，轻量化模型支持边缘设备部署，规避临床数据隐私风险。

结论

轻量级U-Net通过架构精简与数据优化，解决了成像流式细胞术的实时分割瓶颈。在变形性细胞术中，模型将淋巴细胞机械表型分析误差降低40%，为无标记细胞诊断提供新范式。未来可结合事件驱动传感技术进一步提升高通量分析效率。