DeepCeNS: نموذج متكامل من البداية إلى النهاية لفصل الخلايا والنواة في الصور المجهرية

مع تطور التعلم العميق خلال العقد الماضي، أصبحت العديد من المشكلات المرتبطة بالعلوم الحيوية التي كانت تُعدّ صعبة سابقًا الآن قابلة للتحقيق. وقد مهّدت معمارية U-net وMask R-CNN الطريق أمام العديد من مهام كشف الكائنات وتقسيمها في تطبيقات متنوعة تمتد من الأمن إلى التطبيقات الحيوية. في مجال بيولوجيا الخلايا، تُعدّ صور المجاهر الضوئية مصدرًا رخيصًا وسهل الوصول للبيانات الأولية لدراسة الظواهر البيولوجية. وباستغلال هذه البيانات مع تقنيات التعلم العميق، يمكن تشخيص الأمراض البشرية بسهولة، وتسريع بشكل كبير عملية تطوير العلاجات. وفي التصوير المجهري، يُعدّ التقسيم الدقيق للخلايا الفردية خطوة حاسمة لتمكين فهم أعمق للتنوع الخلوي. ولحل التحديات المذكورة أعلاه، تم اقتراح DeepCeNS في هذا البحث بهدف كشف الخلايا وتقسيمها، بما في ذلك النوى، في الصور المجهريّة. وقد استخدمنا مجموعة بيانات EVICAN2 التي تحتوي على صور مجهريّة من أنواع متعددة من المجاهر، وتشمل العديد من ثقافات الخلايا، لتقييم النموذج المقترح. وقد أظهر DeepCeNS أداءً أفضل بشكل ملحوظ من EVICAN-MRCNN على مجموعة بيانات EVICAN2.