FiloAnalyzer：一种用于细胞伪足分割的深度学习方法

《BMC Bioinformatics》：FiloAnalyzer: a deep learning approach for cell filopodia segmentation

细胞伪足分析工具箱 FiloAnalyzer 开发及验证研究，提出结合深度学习与图像处理的自监督预训练方法，在低标注数据（仅10张）下显著优于 ImageNet 监督预训练，实现显微镜图像批量分割及定量参数提取。

　　

摘要

目的

丝状伪足是从细胞表面伸出的细长、类似手指的突起结构。它们存在于多种细胞类型中，分析这些结构可以为我们提供关于细胞行为和功能的宝贵见解。然而，手动分析很不现实，这成为处理大规模数据集的瓶颈。

方法

本文介绍了FiloAnalyzer，这是一个用于自动分析细胞丝状伪足的开源工具箱。该工具箱配备了用户友好的图形用户界面（GUI），能够对批量显微图像进行分割并提取一系列定量参数，同时结合了基于深度学习和图像处理的方法。由于该领域的数据和注释通常较为稀缺，我们比较了流行的基于ImageNet的监督学习和自我监督预训练方法，并采用了基于扩散模型的先进对比学习、自我蒸馏和生成式方法，以试图在数据量有限的情况下最大化分割性能。

结果

我们在一组标记有神经嵴细胞荧光图像的数据集上验证了我们的工具箱，并将其结果与三个流行的丝状伪足分割工具箱进行了基准测试。此外，我们展示了自我监督方法在处理该领域有限注释数据时的潜力，即使只有十张标注图像，也能显著提升分割效果，优于基于ImageNet的监督预训练方法。

结论

实验表明，基于深度学习的流程优于现有的基于图像处理的解决方案。我们以开源形式发布了标注数据集和工具箱，以促进该领域的进一步研究。工具箱代码和数据集可在https://github.com/Malga-Vision/FiloAnalyzerToolbox获取。