高密度细胞计数误差降低至10，基于UNet深度学习三维细胞计数器

　　许多医学手段比如干细胞培养、皮肤移植等，都会用到细胞培养；细胞计数在监测细胞培养的过程中非常重要。然而由于细胞生长时受环境影响，可能会导致重叠和聚集的情况，使细胞计数变得困难。
　　韩国建阳大学的研究人员，应用 一种基于U-Net深度学习的三维（3D）细胞计数方法，来识别细胞外基质（ECM）中高密度聚集细胞的初始种子细胞数。该方法对高密度聚集细胞的计数误差为10%，而传统的轮廓分割方法和分水岭分割方法的计数误差分别为30%和40%。 因此，新方法可以向研究人员提供准确的细胞数目，减少3D细胞分析中的种子细胞计数误差，实现3D细胞分析中的质量控制。
　　该研究以「  U-Net Deep-Learning-Based 3D Cell Counter for the Quality Control of 3D Cell-Based Assays through Seed Cell Measurement  」为题，于2021年6月2日发布在《SLAS TECHNOLOGY: Translating Life Sciences Innovation》。
　　传统的细胞计数软件一般使用轮廓分割算法或分水岭分割算法，可以识别附着在培养皿底部的二维（2D）细胞；这些方法通过测量初始种子细胞数，从而实现二维细胞分析的质量控制。
　　图示：使用主动轮廓算法的细胞检测结果。（来源：论文）
　　然而，由于细胞在细胞外基质（ECM）的三维结构（如基质凝胶、胶原和海藻酸盐）中存在聚集和重叠，这些算法无法基于细胞的3D分析进行识别计数。 研究人员提出的基于U-Net深度学习的3D细胞计数方法，刚好弥补了这一缺陷。
　　人工神经网络用于生物学，它可以通过学习细胞的图像来识别、推断和确定细胞的计数。新方法使用的 U-net 模型，是一种卷积神经网络 (CNN) 架构，可以快速准确地分割图像。此外，U-net可以仅通过看到图像的一部分来推断模式。U-net可以在「涉及神经系统结构分裂的应用」中发挥功能，例如细胞示踪。因此，它是细胞检测和形态测量的良好模型。
　　研究人员所提出的 3D 细胞计数器，在 ECM 中识别细胞的准确数量，减少了基于 3D 细胞的测定中的种子细胞计数错误，使基于 3D 细胞测定的研究可以获得高质量的实验数据。
　　图示：三维细胞计数器的U-net模型。（来源：论文）
　　U-net的网络形状类似于字母 U ，分为缩小图像的收缩路径和增长图像的延伸路径。该方法的收缩路径中，使用两个 3×3 卷积滤波器和一个激活 ReLu；并且在每个池化层中，执行 2×2 最大池化。在扩展路径中，使用了三个 2×2 上卷积、串联和两个 3×3 卷积；使用 1×1 卷积来预测路径末端的每个像素的类别。
　　图示：深度学习的过程。（来源：论文）
　　研究人员利用低、中、高细胞密度图像对新的细胞计数方法进行了测试，同时与传统方法（轮廓和分水岭分割）进行比较。结果显示， 三种方法在低细胞密度图像的准确性上差异不大；然而，在正常和高细胞密度图像中存在明显差异。新方法的错误率明显降低。
　　图示：根据计数方法对细胞计数结果的比较。（来源：论文）
　　图示：针对不同计数方法的细胞计数图像。（来源：论文）
　　在实验中，新方法能够精确定位细胞边界，并且通过数值和视觉验证了准确性的差异。与传统方法（轮廓分割，30%；分水岭分割，40%）相比，新方法将三维定位细胞的细胞计数误差降低到约 10%。这将为细胞培养过程中细胞监测提供更加有效的数据支持。