具有全局优化边界的细胞分割（CSGO）：一种用于苏木精-伊红染色组织中全细胞分割的深度学习流程

精准的完整细胞分割在多种生物医学应用中至关重要，尤其在肿瘤微环境研究中。尽管用于苏木精-伊红（H&E）染色图像细胞核分割的机器学习方法已取得进展，但有效的完整细胞分割方法仍有待开发。本研究旨在开发一种基于深度学习的流程，以自动分割H&E染色组织中的细胞，从而提升病理图像分析能力。基于全局优化边界的细胞分割（CSGO）框架整合了细胞核与细胞膜分割算法，并采用基于能量的分水岭方法进行后处理。具体而言，我们使用YOLO目标检测算法进行细胞核分割，采用U-Net进行细胞膜分割。细胞膜检测模型在包含7例肝细胞癌和11例正常肝组织切片的数据集上进行训练。该细胞分割方法在5个外部数据集（涵盖肝脏、肺部和口腔疾病病例）上进行了全面评估。在5个外部数据集中，CSGO在4个数据集上表现出优于前沿方法Cellpose的性能：在交并比阈值为0.5时，CSGO的F1分数达到0.37至0.53，而Cellpose的分数为0.21至0.36。这些结果验证了我们方法在不同组织类型中的鲁棒性与准确性。我们已提供基于网络的应用程序（https://ai.swmed.edu/projects/csgo），为研究人员提供友好平台以将本方法应用于其自有数据集。我们的方法在多种癌症亚型的完整细胞分割中展现出卓越的通用性，可作为准确可靠的工具促进肿瘤微环境研究。本研究的进展有望显著提升病理图像分析的精度与效率，为癌症的深入理解和治疗提供支持。