基于VGG网络与显微-衍射图像融合的芽殖酵母识别新方法在成像流式细胞术中的应用

本研究针对显微-衍射成像流式细胞术(MDIFC)在细胞亚群分类中存在的精度不足、处理速度慢等问题，创新性地提出将图像融合技术与VGG-net深度学习算法相结合的方法。研究人员以芽殖酵母为模型，通过加权融合显微(a=0.2)与衍射图像(a=0.8)，构建VGG11网络实现单细胞、芽殖细胞和聚集细胞的三类分类，最终达到0.98的分类准确率和260.42 cells/s的高通量性能，较传统GLCM-SVM/RF方法提升15倍效率。该成果为无标记细胞分析提供了自动化解决方案，在生物医学高通量检测领域具有重要应用价值。

　　

在单细胞分析领域，显微成像技术虽能提供精细的形态学信息，却难以实现高通量检测；而流式细胞术虽具备高速优势，但传统方法依赖荧光标记且分辨率有限。这种矛盾在酵母细胞研究中尤为突出——作为真核生物研究的模式生物，芽殖酵母（Saccharomyces cerevisiae）的细胞周期监测需要同时获取形态特征和群体分布信息。更棘手的是，现有基于灰度共生矩阵(GLCM)的机器学习方法在MDIFC系统中存在双重瓶颈：处理衍射图像时特征提取耗时长（58.67ms/样本），而单独分析显微图像又因缺乏纹理特征导致分类准确率不足。

针对这一技术痛点，天津大学精密测试技术及仪器国家重点实验室的Yangguang Han团队在《Scientific Reports》发表创新性研究。他们巧妙地将532nm激光衍射成像与450nm LED显微成像相结合，通过偏振分光系统同步捕获细胞的双模态图像。研究核心突破在于：采用加权融合算法G_f=G_m×α+G_d×(1-α)，构建包含3,329组数据的训练集（含687个芽殖事件），并设计11层VGG-net架构（含8个3×3卷积核的ReLU层）。实验证明，当显微图像权重α=0.2时，融合图像使分类准确率提升至98.09%（F1-score 0.9867），远超SVM（96.10%）和RF（92.10%）。更值得注意的是，该系统将处理速度提升至260.42 cells/s，比GLCM特征提取方法快15倍，首次实现无标记酵母细胞的高通量自动分类。

关键技术方法包括：1）搭建双光路MDIFC系统（含532nm激光器和450nm LED）；2）制备1×10⁶ cells/mL酵母悬液；3）建立加权图像融合算法；4）构建轻量化VGG11网络（含Dropout层）；5）采用10折交叉验证评估性能。

【研究结果】

数据集准备：使用3,329个事件（2,330训练/999测试），包含单细胞（806）、芽殖细胞（687）和聚集细胞（837）三类，样本分布如图1所示。

图像融合权重影响：如图2显示，α=0.2时融合图像分类效果最优（显微α=1.0时准确率最低），证实衍射图像（α=0）比显微图像包含更多可分性特征。

算法性能对比：VGG-net在α=0.2融合图像上的表现全面领先（表1），特别是对芽殖细胞的识别精确度达99.24%。混淆矩阵（图3）进一步显示其错分率仅1.89%，显著低于SVM（3.90%）和RF（7.90%）。

速度优势：如表2所示，VGG-net省去GLCM特征提取环节，使总处理时间降至3.84ms/样本，较传统方法（58.67ms）实现量级突破。

这项研究开创性地将深度学习与多模态成像融合，其价值体现在三方面：首先，α=0.2的融合策略证明衍射图像携带更多三维折射率分布信息（通过532nm激光散射获取），这与前人关于衍射图像GLCM特征优越性的发现相符；其次，VGG-net的3×3卷积核能自适应提取双模态特征，克服了手工设计特征（如Haralick纹理）的局限性；最后，260.42 cells/s的吞吐量使该系统可应用于实时监测酵母培养过程，为发酵工程质量控制提供新工具。正如作者指出，该方法未来可扩展至白细胞分类等医学场景，但需注意不同细胞类型可能需要调整融合权重α——这正体现了MDIFC技术"可编程分析"的独特优势。