基于深度学习的公猪精子细胞形态分割特征提取|北京沫之东生物技术有限公司

4 次围观

对猪精子头部和尾部的可靠勾画，有助于实现公猪精液质量的自动化评估，涵盖从形态计量测量到授精剂量质量控制等环节。在实践中，这通常依赖荧光染色，而这会为每次采集增加化学处理、成本和时间延迟，并且只能标记细胞核。近期将成像流式细胞术与机器学习相结合的研究进展迅速，然而分割阶段在推理时仍依赖染色通道，且仅能分割头部。我们提出了一种有监督的编码器—解码器网络，可基于由 Amnis ImageStream Mark II 采集的明场图像对公猪精子进行分割，且在推理时无需染色。训练标签来源于 Hoechst 33342 细胞核通道（Ch7），该通道与明场通道（Ch1）配准采集；该染料仅作为标注来源，网络仅使用 Ch1。性能最佳的语义分割模型在留出细胞上的 Dice 系数达到 0.940。作为比较，我们评估了一条经典形态学流程、另外四种语义分割模型（涵盖三类解码器家族和两个经 ImageNet 预训练的骨干网络），以及两条基于 Segment Anything Model 2（SAM 2）的零样本流程，其提示分别为围绕预测头部掩膜扩张得到的边界框，或由 Gemma 4 视觉语言模型（VLM）输出的头部和尾部边界框。零样本方案相对于 Ch7 的得分为 0.637，但它能够标注荧光方案无法标注的尾部。在有监督模型下得分最差的细胞，经证实大多是配准失败而非分割失败，因为 Ch7 相对于 Ch1 存在位移。在数据集规模上对这种漂移进行人工筛查不可行，因此我们提出了一种标记系统：将任何 Dice 低于 0.792（即低于均值两个标准差）的样本标记出来，并将其与一条零样本流程配对，在该流程中由 VLM 和 SAM 2 对被标记细胞进行交叉核查，再交由人工复审。

anweshas{at}iastate.edu

摘要

信息/历史

指标

预览 PDF

摘要

对猪精子头部和尾部的可靠描绘有助于实现公猪精液质量的自动化评估，应用范围涵盖从形态测量到授精剂量的质量控制。实际操作中，这一过程依赖荧光染色，而荧光染色会为每次采集增加化学处理、成本和时间延迟，且只能标记细胞核。近年来，将成像流式细胞术与机器学习相结合的研究进展迅速，但分割阶段在推理时仍依赖染色通道，且只能解析头部。我们提出了一种有监督的编码器—解码器网络，可对使用 Amnis ImageStream Mark II 采集的明场图像中的公猪精子进行分割，并且在推理时无需染色。训练标签来源于 Hoechst 33342 核染色通道（Ch7），该通道与明场通道（Ch1）配准记录；该染料仅用作标注来源，网络仅接收 Ch1。最佳语义分割模型在留出细胞上的 Dice 系数达到 0.940。作为比较，我们评估了一个经典形态学流程、另外四种语义分割模型（涵盖三类解码器家族和两种经 ImageNet 预训练的骨干网络），以及两个基于 Segment Anything Model 2（SAM 2）的零样本流程，后者分别由围绕预测头部掩膜扩张得到的边界框，或由 Gemma 4 视觉语言模型（VLM）输出的头部和尾部边界框进行提示。零样本路径相对于 Ch7 的得分为 0.637，但其能够标注尾部，而荧光方案无法做到这一点。在有监督模型下得分最差的细胞经证实大多是配准失败而非分割失败，因为 Ch7 相对于 Ch1 发生了偏移。在数据集规模上对这种漂移进行人工筛查是不可行的，因此我们提出了一种标记系统：将任何 Dice 值低于 0.792（即低于均值两个标准差）的样本标记出来，并将其与一个零样本流程配对，在人工审查之前由 VLM 和 SAM 2 对被标记细胞进行交叉核查。

利益冲突声明

版权

本预印本的。

返回顶部

发布于 2026 年 8 月 13 日。

下载 PDF

电子邮件

感谢您有兴趣帮助传播 bioRxiv 的内容。

您的电子邮件

*

您的姓名

*

发送至

*

请输入多个地址，每行一个，或用逗号分隔。

您将发送以下内容的电子邮件