细胞培养是研究细胞分化、疾病机制和再生医学的重要模型。在自动化细胞培养系统中，实时、高质量地监测细胞生长和准确估计汇合情况至关重要——这两者都依赖于基于图像的分析（Trounson和McDonald，2015年；Melocchi等人，2025年）。目前，明场（BF）显微镜由于其温和的照明、低成本和紧凑的设计而被广泛用于长期活细胞观察。然而，其有限的对比度和分辨率使得难以清晰地观察透明或未染色的细胞，从而导致图像质量不佳和汇合分析的准确性降低（Selinummi等人，2009年；Asha等人，2023年）。相比之下，相位对比（PC）显微镜无需染色即可增强透明样本的可视化效果。然而，它需要精确的光学对准，涉及相对笨重的硬件，并且缺乏多通道检测能力，这限制了其集成到复杂的自动化细胞培养系统中。因此，如果可以通过基于软件的方法将BF图像转换为类似PC的图像，就可以有效地整合这两种成像模式的互补优势，从而在观察过程中提高视觉清晰度，并提高下游定量分析（如传代决策和细胞汇合估计）的准确性。
近年来，基于深度学习的方法在BF到PC的图像转换方面取得了显著进展。然而，现有方法对离焦伪影的鲁棒性仍然有限——尤其是在远焦条件下——并且通常在实时应用中的推理速度不足。加速这些模型往往会影响图像质量，形成了速度与保真度之间的权衡。此外，在图像风格转换过程中保持细胞形态的一致性仍然至关重要，因为结构扭曲可能会将错误传播到下游任务（如细胞分割）中。
除了图像风格转换之外，准确的细胞分割也是自动化细胞培养系统中的另一个关键任务，它是后续分析的基础。尽管取得了实质性进展，现有的分割方法仍然面临重大挑战，包括晕圈伪影、低对比度和不规则的细胞形态。这些问题在干细胞成像中尤为突出，其中不规则的形状和模糊的边界经常共存，大大增加了分割难度。传统方法通常依赖于手工制作的特征，并需要大量的参数调整，这使得它们对成像条件非常敏感。虽然基于深度学习的方法提高了分割精度，但它们仍然难以精确地勾勒出模糊的区域。此外，监督方法严重依赖于大型标注数据集，而弱监督或无监督方法通常在低对比度区域的精度较低。因此，在分割精度、鲁棒性和低标注依赖性之间取得平衡仍然是一个未解决的挑战。
为了解决BF到PC转换和细胞分割中的上述挑战，本研究提出了一个集成框架，该框架结合了高速、稳健的风格转换模型和通用的细胞分割模型。具体来说，开发了一种轻量级的pix2pix变体（LW-P2P），用于明场和相位对比图像之间的实时风格转换，在保持对灰度变化和离焦条件鲁棒性的同时实现快速推理。在此基础上，引入了一种名为MA-TPP的语义分割模型，该模型结合了混合注意力机制（MA）和纹理先验提示（TPP），以在不同图像特征（包括不规则的细胞边界、晕圈伪影和模糊区域）上实现高分割精度。
本研究的主要贡献总结如下：
(1) 在开发的LW-P2P中，采用了深度可分离卷积来将生成器参数减少了91.33%；提出了一种亮度中心化方法来增强对灰度变化的鲁棒性；并设计了一个多标准损失函数以确保在不同离焦条件下的稳定性能。
(2) 在开发的MA-TPP网络中，提出的TPP利用梯度派生的特征来提高对与背景强度相似的模糊细胞区域的识别能力。结合混合注意力机制，该模型实现了对不规则细胞边界和受晕圈伪影影响区域的精确分割。
(3) 在涵盖五种细胞系的四个数据集上的全面评估表明，LW-P2P在不同细胞密度、照明条件和离焦距离下具有很好的泛化能力。它实现了每秒10帧的高分辨率图像的实时处理。
(4) 在涵盖六种细胞类型的三个多样化数据集上的实验证实了MA-TPP网络在分割具有微妙区域和复杂形态的细胞图像方面的优越性能。MA-TPP网络将细胞汇合误差（ECC）降低到了0.95%，比从明场图像计算出的ECC提高了82.34%。
开发的模型已成功应用于中国济南Tronz Biomedical Engineering Pte. Ltd.的细胞培养系统中，满足了实时观察的速度要求和细胞汇合计算的准确性需求。
本文的其余部分组织如下。第2节回顾了相关工作。第3节介绍了所提出的方法论，包括整体网络架构和关键设计组件。第4节描述了本研究中使用的数据集和模型优化策略。第5节报告了定量和定性结果。第6节讨论了所提出方法的假设，并进一步阐述了超参数选择策略，以及通过多个随机种子验证的模型稳定性。最后，第7节总结了主要贡献并概述了未来研究的方向。
