Die Kombination der Lichtmikroskopie mit etablierten Protokollen der zweidimensionalen Zellkultur ermöglicht hochdurchsatzfähige quantitative Bildgebung zur Untersuchung biologischer Phänomene. Die genaue Segmentierung einzelner Zellen in Bildern eröffnet die Möglichkeit, komplexe biologische Fragen zu erforschen, erfordert jedoch in Fällen geringer Kontraste und hoher Objektdichte oftmals anspruchsvolle Bildverarbeitungspipelines. Deep-Learning-basierte Methoden gelten derzeit als Stand der Technik für die Bildsegmentierung, erfordern jedoch typischerweise große Mengen an annotierten Daten – für die im Bereich der label-free zellulären Bildgebung derzeit kein geeigneter Datensatz zur Verfügung steht. Hier präsentieren wir LIVECell, einen großen, hochwertigen, manuell annotierten und von Experten validierten Datensatz aus Phasenkontrastbildern, der über 1,6 Millionen Zellen aus einer vielfältigen Auswahl an Zellmorphologien und Kulturdichten umfasst. Um die Nutzungsmöglichkeiten des Datensatzes weiter zu demonstrieren, trainieren wir darauf basierend neuronale Netzwerke mit Faltungsschichten (Convolutional Neural Networks) und evaluieren die Genauigkeit der Segmentierung mithilfe eines vorgeschlagenen Satzes an Benchmarks.