Der Einsatz von Deep Learning für die quantitative Bildanalyse nimmt exponentiell zu. Die Entwicklung genauer, weit verbreiteter Deep-Learning-Algorithmen erfordert jedoch eine große Menge an annotierten (Ground-Truth-) Daten. Bildkollektionen müssen nicht nur Tausende von Bildern enthalten, um ausreichend Beispiele für Objekte (z. B. Zellen) bereitzustellen, sondern auch eine ausreichende Vielfalt an Bildheterogenität aufweisen.Wir präsentieren ein neues Datenset, EVICAN – Expert Visual Cell Annotation, das aus teilweise annotierten Graustufenbildern von 30 verschiedenen Zelllinien unter Verwendung mehrerer Mikroskope, Kontrastmechanismen und Vergrößerungen besteht und unmittelbar als Trainingsdaten für Anwendungen im Bereich Computer Vision nutzbar ist. Mit 4600 Bildern und etwa 26.000 segmentierten Zellen bietet unsere Sammlung ein bisher einzigartiges, hoch heterogenes Trainingsdatenset für die Entwicklung von Deep-Learning-Anwendungen in der Zellbiologie. Anhand einer Mask R-CNN-Implementierung demonstrieren wir die automatisierte Segmentierung von Zellen und Zellkernen aus Hellfeldbildern mit einer durchschnittlichen Präzision von 61,6 % bei einem Jaccard-Index über 0,5.