《Journal of Imaging》：BactSegNet: A Growth-Stage-Aware, Searched Instance-Segmentation Model for Salmonella and Escherichia coli Microcolonies in Pure-Culture Bright-Field Microscopy with a Food-Matrix Surrogate
编辑推荐：
摘要：针对受干扰食品基质（food matrices）影响的小型、密集、低对比微菌落（microcolonies），实例分割（instance segmentation）限制了基于显微的Salmonella与E. coli早期筛查。研究人员提出BactSegN
摘要：针对受干扰食品基质（food matrices）影响的小型、密集、低对比微菌落（microcolonies），实例分割（instance segmentation）限制了基于显微的Salmonella与E. coli早期筛查。研究人员提出BactSegNet，其结合EfficientNetV2、BiFPN、选择性核注意力（selective-kernel attention）以及基于记录采集阶段可学习嵌入的生长阶段FiLM条件化（FiLM conditioning）。BE-NAS探索了2304种配置的搜索空间，并评估了71个唯一架构。在十二个重训练候选上，代理与全训练排序一致（mAP@50的Spearman ??=0.867，mAP@50–95的??=0.790）。在BE-NAS代理搜索评估的71个架构中，三种子代理适应度显示出高可靠性（ICC(1,1)=0.91；213次种子级评估），而表型缓存将180次计划评估减少为71次唯一训练（213次而非540次种子级代理运行）。在覆盖六个阶段、两个物种以及洋葱存在/不存在条件的专家验证多边形实例上，BactSegNet-L取得掩膜mAP@50= 与mAP@50–95= ，比多种子YOLOv8基线高 个百分点，并在三种范式下其mAP@50高于十六个类感知单次运行参考。在三种子下，容量保持的阶段扰动控制将mAP@50从正确阶段分配时的 降至打乱图像—阶段对应关系后的 。Salmonella在 h时增益达 pp，洋葱上增益达 pp。在2756个匹配实例中，面积MAPE为 ，伴随 ，主要受最大实例支配。BactSegNet-Efficient在 fps下保留 mAP@50，FLOPs减少 。主数据集由纯培养帧组成；一项独立、专家标注的混合培养评估（400幅图像，3.5和4.0 h）在三种子下未经再训练得到掩膜mAP@50= 。与仅图像比较模型不同，推理时需要记录的生长阶段元数据。这些结果支持早期、物理校准的微菌落分割，同时将原始纯培养评估与额外混合培养测试区分开来。
根据摘要，研究背景集中于纯培养明场显微（bright-field microscopy）下Salmonella与E. coli微菌落（microcolonies）的早期筛查。小型、密集、低对比微菌落与干扰性食品基质（food matrices）并存，限制了基于显微的实例分割（instance segmentation）和早期筛查能力。因此，研究人员开展面向该场景的生长阶段感知、可搜索实例分割研究，以提升微菌落分割性能并支持早期、物理校准（physically calibrated）的微菌落分割。
研究人员提出BactSegNet，将EfficientNetV2、BiFPN、选择性核注意力（selective-kernel attention）与基于记录采集阶段可学习嵌入的生长阶段FiLM条件化（FiLM conditioning）结合；通过BE-NAS在2304种配置空间中搜索并评估71个唯一架构，比较十二个重训练候选的代理与全训练排序，分析三种子代理适应度与表型缓存效率；在专家验证多边形实例上评价BactSegNet-L，并与多种子YOLOv8基线及十六个类感知单次运行参考比较；开展容量保持的阶段扰动控制，考察正确与打乱图像—阶段对应关系的影响；分析分物种、洋葱条件与面积估计表现；构建BactSegNet-Efficient轻量化模型；并在独立、专家标注的混合培养数据上进行未经再训练的外部评估。结果表明BactSegNet-L分割性能优于比较基线，阶段条件化信息对性能具有影响，轻量化模型在降低FLOPs的同时保留mAP@50，混合培养测试提供额外验证。其意义在于支持早期、物理校准的微菌落分割，并明确区分原始纯培养评估与额外混合培养测试。
方法概括：研究采用EfficientNetV2、BiFPN、选择性核注意力与生长阶段FiLM条件化构建BactSegNet；BE-NAS搜索2304配置并评估71唯一架构，十二个重训练候选用于代理与全训练排序一致性分析，三种子代理评估与表型缓存用于效率分析；采用专家验证多边形实例（六阶段、两物种、洋葱存在/不存在）评价BactSegNet-L，并与多种子YOLOv8基线和十六个类感知单次运行参考比较；阶段扰动控制检验图像—阶段对应关系；面积MAPE分析匹配实例；BactSegNet-Efficient评估FLOPs与fps；主数据集为纯培养帧，独立专家标注混合培养队列为400幅图像（3.5和4.0 h）。
研究结果：（1）BE-NAS搜索与代理可靠性：通过2304配置搜索空间与71唯一架构评估，十二个重训练候选的代理与全训练排序一致（mAP@50的Spearman ??=0.867，mAP@50–95的??=0.790）；71架构三种子代理适应度高（ICC(1,1)=0.91；213次种子级评估），表型缓存将180次计划评估减至71次唯一训练（213次而非540次种子级代理运行），说明代理搜索与缓存策略具有可靠性并提高评估效率。
（2）BactSegNet-L分割性能：在覆盖六阶段、两物种及洋葱存在/不存在条件的专家验证多边形实例上，BactSegNet-L达到掩膜mAP@50= 与mAP@50–95= ，比多种子YOLOv8基线高 个百分点，并在三种范式下mAP@50高于十六个类感知单次运行参考，表明其在纯培养专家验证实例上具有较高分割性能。
（3）生长阶段扰动控制：通过容量保持的阶段扰动控制，正确阶段分配时mAP@50为 ，打乱图像—阶段对应关系后降至 ，跨三种子显示阶段条件化信息与性能相关，说明记录生长阶段元数据对推理具有作用。
（4）分物种/食品基质条件与面积估计：增益在Salmonella于 h时达 pp，在洋葱上达 pp；在2756个匹配实例中，面积MAPE为 ，伴随 ，主要受最大实例支配，表明特定物种与食品基质条件下存在增益，面积估计误差受大实例影响。
（5）轻量化模型：BactSegNet-Efficient在 fps下保留 mAP@50，FLOPs减少 ，说明轻量化配置在降低计算量同时保留一定分割性能。
（6）混合培养外部评估：主数据集为纯培养帧；独立、专家标注的混合培养评估（400幅图像，3.5和4.0 h）在三种子下未经再训练得到掩膜mAP@50= ，提供了额外混合培养测试结果。
讨论部分表明，记录的生长阶段元数据在推理时为必需条件，这与仅图像比较模型不同；主数据集为纯培养帧，混合培养评估为额外独立测试，二者需区分。研究结论翻译为：这些结果支持早期、物理校准的微菌落分割，同时将原始纯培养评估与额外混合培养测试区分开来。
