تُظهر استخدام التعلم العميق في التحليل الكمي للصور ازديادًا متسارعًا. ومع ذلك، يتطلب تدريب خوارزميات التعلم العميق الدقيقة والقابلة للنشر على نطاق واسع كمًا هائلاً من البيانات المُعلَّمة (البيانات الحقيقية). يجب أن تتضمن مجموعات الصور ليس فقط الآلاف من الصور لتوفير عدد كافٍ من الأمثلة الكافية (مثل الخلايا)، بل أيضًا درجة كافية من التنوع في الصور.نقدّم مجموعة بيانات جديدة تُسمّى EVICAN – التصنيف البصري الخلايا الخبير، والتي تتكوّن من صور رمادية جزئيًا مُعلَّمة لـ 30 خط خلية مختلفة من ميكروسكوبات متعددة، وآليات تباين، وتكبيرات متفاوتة، وتُعدّ جاهزة للاستخدام كبيانات تدريب لتطبيقات رؤية الحاسوب. وبما تضم 4600 صورة وحوالي 26000 خلية مُفصَّلة، تُقدّم مجموعتنا مجموعة تدريب غير مسبوقة من حيث التنوّع لتطوير تطبيقات التعلم العميق في علم الخلايا. باستخدام نموذج Mask R-CNN، نُظهِر تقسيمًا تلقائيًا للخلايا ونواتها من صور الميكروسكوب الضوئي بذات دقة متوسطة متوسطة تبلغ 61.6% عند معامل جاكارد الأعلى من 0.5.