《Frontiers in Microbiology》：An interactive class-agnostic detection framework for generalizable colony counting
编辑推荐：
微生物监测是实验室和工业质量控制流程的重要组成部分，然而在不同菌落类型和成像条件下，准确的菌落计数仍难以泛化。为应对这一挑战，研究人员提出了交互式菌落计数器（Interactive Colony Counter, ICC），一种用于微生物菌落计数的轻量级且类别
微生物监测是实验室和工业质量控制流程的重要组成部分，然而在不同菌落类型和成像条件下，准确的菌落计数仍难以泛化。为应对这一挑战，研究人员提出了交互式菌落计数器（Interactive Colony Counter, ICC），一种用于微生物菌落计数的轻量级且类别无关的检测框架。方法方面，为提升跨多样条件的泛化能力，ICC以完整培养皿图像作为输入，并迭代整合以目标菌落边界框及检测误差修正为形式的用户引导。ICC由三个组件构成：跨阶段部分融合网络（Cross Stage Partial Fusion Network, CSPFNet）作为骨干网络，对比引导编码器（Contrastive-Guidance Encoder, CGE）用于处理用户引导，以及多尺度检测模块（Multi-scale Detection Module, MDM）作为检测头。通过在AGAR数据集上采用类别无关策略进行训练，ICC学习通用菌落特征而非依赖类型特异性标签。结果方面，在模拟用户引导下，实验结果表明ICC在AGAR数据集上取得了具有竞争力的性能，在IoU阈值为0.5:0.95时的平均精度（mean Average Precision, mAP）分别为60.7%和62.9%。为评估训练领域之外的泛化能力，研究人员进一步在不同成像条件下评估了ICC在ADBC数据集上的表现，该数据集还包含训练数据中未出现的物种。此外，研究人员通过构建B. lactis-Colony数据集验证了ICC辅助标注的可行性，该数据集由乳双歧杆菌（Bifidobacterium lactis）产生，并使用ICC辅助标注工作流构建。讨论方面，总体而言，ICC展示了其在菌落检测和数据集标注方面的强大潜力，为微生物成像任务提供了一个带有迭代用户引导的轻量级有效框架。
**论文解读：交互式类别无关菌落计数框架ICC的泛化能力与标注应用**
菌落计数是微生物监测中的关键环节，广泛应用于制药生产、环境监测和食品安全等领域。传统基于培养皿的计数方法虽成本低廉且易于实施，但劳动密集且耗时，迫切需要一种稳健且通用的自动化菌落计数器。传统图像处理方法常依赖阈值分割或圆检测，难以适应多样化的菌落形态和成像条件，且结果受人工经验影响较大。随着深度学习的发展，基于分割或检测的自动计数方法日益涌现，但普遍存在泛化能力有限、依赖特定菌落类型标签、高分辨率全皿图像处理成本高昂等挑战。此外，菌落数据集的标注因菌落数量与密度差异大而十分困难，且现有数据集在多样性上远不及通用大规模基准。针对上述问题，研究人员提出了一种将人机交互与类别无关训练相结合的轻量级检测框架，旨在提升模型对未见菌落类型和多样成像条件的适应性，并实现高分辨率全皿图像的直接高效处理。
研究人员开发了交互式菌落计数器（Interactive Colony Counter, ICC），该框架以整个培养皿图像作为输入，通过迭代整合用户的边界框标注与错误修正信息来指导检测过程。并采用类别无关训练策略，避免对训练数据中特定菌落类型的过度依赖。为验证该框架的有效性，研究人员在AGAR数据集上进行了训练与验证，在ADBC数据集上评估了跨域泛化能力，在TXL-PBC数据集上检验了其向其他细胞级检测任务的迁移性，并进一步构建了B. lactis-Colony数据集以展示ICC辅助标注的实用价值。实验结果表明，ICC在检测精度、计数准确性、泛化能力与迁移性方面均展现出显著优势，同时保持了极低的参数量与计算复杂度。该研究为微生物图像分析提供了一种兼具泛化能力与实用性的轻量级交互式解决方案，也为菌落数据集的高效标注开辟了新途径。
在技术方法层面，ICC的架构由三个核心组件构成：跨阶段部分融合网络（Cross Stage Partial Fusion Network, CSPFNet）作为骨干网络负责图像特征提取与引导特征融合，对比引导编码器（Contrastive-Guidance Encoder, CGE）对用户提供的正负引导输入进行编码表征，多尺度检测模块（Multi-scale Detection Module, MDM）负责在多个尺度上生成类别无关的菌落检测结果。训练过程中采用类别无关策略合并所有菌落类型，并设计了模拟用户交互流程，通过随机模拟正负引导输入来增强模型对真实交互的鲁棒性。模型使用完整IoU（Complete IoU, CIoU）回归损失和二元交叉熵（Binary Cross Entropy, BCE）目标损失进行优化。训练数据来自AGAR数据集（11,934张训练图像，3,978张验证图像），外部泛化评估使用ADBC数据集，迁移实验使用TXL-PBC数据集，并利用ICC辅助标注构建了包含288张培养皿图像的B. lactis-Colony数据集。
在检测与计数性能方面，在AGAR数据集高分辨率子集上，ICC-Bbox经过两轮用户引导后总体mAP达到58.7%，五轮后提升至60.7%；在低分辨率子集上，五轮后总体mAP达到62.9%，均优于Faster R-CNN和Cascade R-CNN基准。计数评估显示，ICC-Bbox在多次迭代后显著降低平均绝对误差（Mean Absolute Error, MAE）和对称平均绝对百分比误差（symmetric Mean Absolute Percentage Error, sMAPE），在高分辨率子集上整体MAE由迭代0的5.38降至迭代10的2.03。在泛化性评估方面，研究人员使用ADBC外部数据集进行测试，该数据集包含24种细菌物种且成像条件差异显著。ICC-Bbox在十轮用户引导后达到59.4%的mAP@0.5，验证了模型对未见物种和不同成像条件的适应性。在迁移性评估方面，将ICC重训练于TXL-PBC外周血细胞数据集后，模型在多次迭代中显著改善了白细胞、红细胞和血小板的检测性能，其中红细胞mAP由初始的7.38%提升至迭代5的88.61%，血小板mAP由0.08%提升至92.01%，表明该架构可有效迁移至其他细胞级检测任务。在消融研究与模型效率方面，通过消融实验确认了正、负用户引导输入的各自贡献，完整ICC结合两类输入展现出最优性能。模型参数仅2.4M（百万），在2048×2048输入下计算量为20.1G FLOPs（每秒浮点运算次数），帧率达64，在640×640输入下帧率高达219.7，明显优于Faster R-CNN等代表性检测器，体现了其轻量高效的特点。
在讨论部分，研究人员分析了迭代用户引导的效果，发现随着交互迭代次数增加，精确率-召回率曲线整体上移，检测指标呈上升趋势，表明用户引导能有效改善检测性能。此外，研究人员开发了集成ICC的菌落标注工具，并通过构建B. lactis-Colony数据集验证了ICC辅助标注工作流的可行性。同时，研究人员也指出模型在重叠菌落、边界模糊和外观异常菌落等挑战场景下仍存在局限性。研究结论部分指出，ICC提供了一种轻量级、用户引导的类别无关菌落检测与标注框架，通过将用户提供的边界框融入迭代式人机交互流程，逐步优化预测结果，缓解了全自动菌落计数模型在多样菌落类型和成像条件下泛化能力有限的不足。其中，边界框交互策略优于关键点变体的表现表明边界框能够提供更具信息量的空间和上下文线索。ICC在AGAR数据集的高低分辨率子集上均取得了有竞争力的检测和计数性能，在ADBC数据集上的外部评估进一步验证了跨采集条件和未见物种的泛化能力。其轻量化设计支持高分辨率全皿图像的直接处理，集成到半自动标注工具后成功构建了B. lactis-Colony数据集。在TXL-PBC数据集上的重训练结果表明该架构可迁移至其他细胞级检测任务，尽管这属于任务迁移而非直接的跨域泛化。
