Intelligent Software System for Low-Cost, Brightfield Segmentation: Algorithmic Implementation for Cytometric Auto-Analysis
Surajit Das, Pavel Zun
本文介绍了一种新的显微镜图像分析框架,专为配备标准CPU桌面的低预算实验室设计。 基于Python的程序通过先进的计算机视觉和机器学习管道,对培养中的活细胞进行细胞学分析。 至关重要的是,该框架在无标签数据上运行,无需手动注释的训练数据或训练阶段。 它可以通过用户友好的跨平台GUI访问,无需编程技能,同时还为开发人员的编程控制和集成提供了脚本界面。 端到端工作流执行语义和实例分割、特征提取、分析、评估和自动化报告生成。 其模块化架构支持轻松维护和灵活的集成,同时支持单图像和批处理。 该框架在活细胞公共数据集中验证了几种未染色的细胞类型,与Cellpose和StarDist等当代工具相比,该框架展示了卓越的准确性和可重复性。 它在基于CPU的平台上的竞争分割速度突出了其在基础研究和临床应用方面的巨大潜力 - 特别是在用于个性化医学和肌肉再生疗法的细胞移植方面。
Bright-field microscopy, a cost-effective solution for live-cell culture, is often the only resource available, along with standard CPUs, for many low-budget labs. The inherent chal- lenges of bright-field images - their noisiness, low contrast, and dynamic morphology - coupled with a lack of GPU resources and complex software interfaces, hinder the desired research output. This article presents a novel microscopy image analysis frame- work designed for low-budget labs equipped with a standard C...