激光共聚焦显微镜 TruAI 图像分割功能如何自动识别细胞？

Evident 原奥林巴斯 FV4000 共聚焦，讲解 TruAI 深度学习图像分割识别细胞的原理、训练推理流程，对比传统阈值分割，介绍硬件协同效果以及实验使用注意事项。

在细胞生物学、神经科学、药物筛选实验中，细胞计数、轮廓提取、亚细胞结构统计、组织切片细胞分型是非常高频的分析工作。传统共聚焦图像分析大多依靠强度阈值分割，依靠像素荧光亮度区分细胞和背景。但当遇到荧光信号微弱、细胞紧密粘连、背景杂质干扰、组织自发荧光较强的样本时，简单阈值很容易出现漏识别、过度分割、把碎片误判为细胞等问题，后期需要投入大量人力手动修正轮廓，严重拖慢实验进度。Evident 原奥林巴斯 FV4000 激光共聚焦显微镜搭载的 TruAI 深度学习图像分割模块，依托 cellSens 软件深度神经网络，跳出单纯依赖荧光亮度的传统思路，可以实现细胞、细胞核、神经元、组织靶标结构的自动化识别与轮廓提取，大幅降低图像后处理的人工成本。很多使用者对 TruAI 的认知停留在 “自动圈细胞”，并不理解 AI 识别细胞背后的运行逻辑、完整工作流程，以及和 FV4000 硬件之间的协同关系。

传统阈值分割识别细胞的逻辑十分简单，设定一个亮度临界值，高于阈值的像素判定为细胞，低于阈值判定为背景。这套方法在染色均匀、细胞分散、信噪比高的理想样本中可以正常工作。可真实科研样本条件复杂，活细胞延时成像为降低光毒性会刻意压低激光功率，造成图像信号偏弱；脑组织、肿瘤组织切片存在大量自发荧光；高密度培养的细胞互相堆叠紧贴，细胞边界亮度差异很小。此时阈值要么漏掉弱信号细胞，要么把背景噪声划入细胞区域，粘连细胞无法自动拆分，很难得到可靠统计结果。而 TruAI 图像分割采用卷积神经网络，不只是读取单像素荧光强度，还会综合细胞形态、纹理、边缘特征、空间上下文信息综合做像素级别判断，以此区分真正细胞、细胞碎片、背景噪声、组织杂质，这也是它可以处理低信噪比复杂样本的核心原因。

TruAI 自动识别细胞完整分为两大阶段：模型训练阶段与推理分割阶段，想要 AI 准确识别目标细胞，训练是必不可少的前提环节。在训练阶段，研究者挑选一部分具有代表性的共聚焦图像，对图像里的目标细胞做人工标注，勾勒出细胞、细胞核或者神经元的真实轮廓，生成真实参考掩码。标注样本需要覆盖实验中会遇到的各类情况，包含强弱不同的荧光信号、不同细胞形态、细胞粘连场景、正常背景与杂质干扰。软件会将原始图像与标注掩码送入神经网络，网络不断迭代运算，对比自己预测出的细胞轮廓和人工标注真实轮廓之间的差异，持续调整网络参数，不断学习细胞的形态、边缘、灰度纹理特征，直到相似性指标达到合格水平，生成专属的训练完成模型。

训练完成之后进入推理识别阶段，将 FV4000 采集的全新原始图像导入，调用已经训练好的神经网络模型。神经网络逐像素扫描整张图像，判断每一个像素属于 “目标细胞” 还是 “背景”，输出概率图，概率越高代表该像素属于细胞的可能性越大。软件基于概率图自动生成完整细胞轮廓，自动拆分部分互相粘连的细胞，输出每一个识别到细胞的独立掩码。完成识别分割之后，软件就可以自动批量输出细胞数量、细胞面积、平均荧光强度、总荧光强度、圆度等各类定量参数，直接用于后续统计分析。这套模型可以保存复用，同一类实验的大批共聚焦图像可以直接批量处理，不用再一张一张手动圈选细胞。

TruAI 分割功能和 FV4000 硬件体系可以深度协同，进一步放大自动识别的效果。FV4000 搭载 SilVIR 高灵敏度探测器，即便是低激光功率下采集的弱荧光图像，也能保留有效细胞特征，给到 TruAI 足够的信息完成识别；搭配 1K 共振扫描模式开展活细胞长时间延时成像时，为控制光毒性往往使用较低激光剂量，图像信噪比会有所下降，传统阈值分割基本失效，而 TruAI 可以从低信噪比快扫图像中稳定识别细胞轮廓，实现长时间活细胞序列图像的全自动细胞追踪统计。同时 FV4000 的 TruSpectral 光谱成像完成光谱拆分之后，去除染料串扰、降低背景干扰，给到 TruAI 更加干净的单通道图像，进一步降低 AI 误判概率。除了荧光通道之外，TruAI 还支持对明场、相差图像开展细胞识别，部分场景下甚至不需要细胞核荧光染色，仅依靠明场图像就完成细胞核识别计数，省去染色步骤，减少染料对于活细胞生理状态带来的干扰。

TruAI 图像分割的适用场景十分丰富。细胞层面可以实现贴壁细胞、悬浮细胞、细胞球里面细胞核与细胞质识别统计；神经生物学方向可以识别脑组织切片当中神经元、阳性标记细胞，自动统计阳性细胞数量与表达水平；药物筛选实验中，批量识别药物处理组与对照组细胞，自动统计细胞表型变化；对于三维 Z‑stack 层扫共聚焦数据，TruAI 同样支持三维维度的细胞分割，识别三维空间内细胞结构，配合三维重构完成立体空间细胞定量。

但也要明确 TruAI 并不是开箱即用的万能工具，在实际使用中存在不少容易踩坑的误区。第一，不存在通用万能模型，针对自己的样本必须完成针对性训练，直接套用其他组织、其他细胞类型训练出来的模型，会出现大量识别错误。第二，标注样本的质量直接决定识别结果，如果标注图片数量过少，没有覆盖样本里细胞大小差异、强弱信号、杂质情况，训练出的模型泛化能力差，换到新图像就会大量漏检、误检。第三，AI 识别结果不能直接无条件采信，即便是训练效果很好的模型，实验中依旧需要抽取部分结果人工复核校验，尤其用于论文发表的定量数据，需要核对分割掩码，排查错误分割案例。第四，TruAI 不能弥补成像硬件缺陷，如果原始图像严重过曝、完全失焦、噪声淹没全部有效信号，无论 AI 算法如何强大，也无法凭空识别出细胞。

TruAI 图像分割功能自动识别细胞，本质是深度学习网络学习细胞多维图像特征，而非简单依靠像素亮度阈值，结合 FV4000 优异的成像硬件输出高质量原始图像，经过标注训练之后，实现大批量共聚焦图像的细胞自动识别、轮廓提取和定量输出。它不能完全取代研究者的判断，但可以把科研人员从重复枯燥的手动圈选细胞工作中解放出来，提升细胞计数、表型统计、药物筛选、组织切片分析的工作效率，让更多精力聚焦在生物学假设与结果解读上。

Evident原奥林巴斯显微镜：https://lifescience.evidentscientific.com.cn/zh/

激光共聚焦显微镜-fv4000：https://lifescience.evidentscientific.com.cn/zh/laser-scanning/fv4000/