视觉 AI

细胞分割：它是什么以及视觉 AI 如何增强它

了解细胞分割的工作原理，以及视觉 AI 如何通过深度学习、关键指标、数据集和实际应用来增强显微分析。

ABAbirami Vina

6 min readSeptember 17, 2025

药物研发、癌症研究或个性化医疗领域的许多突破都始于一个关键挑战：清晰地观察细胞。科学家依靠清晰的图像来追踪细胞行为、评估药物并探索新的疗法。

单张显微镜图像可能包含数千个重叠的细胞，这使得细胞边界难以观察。细胞分割旨在通过清晰地分离每个细胞以进行准确分析来解决这个问题。

但细胞分割并不总是简单的。一项研究可能会产生数千张详细的显微镜图像，数量之多让人无法手动查看。随着数据集的增长，科学家需要更快、更可靠的方法来分离和研究细胞。

事实上，许多科学家正在采用计算机视觉，这是 AI 的一个分支，使机器能够解读和分析视觉信息。例如，支持实例分割的 Ultralytics YOLO11 等模型可以被训练用于分离细胞，甚至检测亚细胞结构。这使得分析可以在几秒钟而不是几小时内完成，从而帮助研究人员高效地扩展其研究规模。

用于细胞核分割的 YOLO，勾勒出细胞核

图 1. YOLO 被用于细胞核分割，识别并勾勒出细胞核（细胞中心）的轮廓。(来源)

在本文中，我们将探讨细胞分割的工作原理、计算机视觉如何对其进行改进，以及它在现实世界中的应用。让我们开始吧！

Link to this section探索利用计算机视觉进行细胞分割#

传统上，科学家通过手动追踪显微镜图像中的细胞来进行分割。这对小规模项目效果尚可，但速度慢、不一致且容易出错。由于单张图像中可能存在数千个重叠的细胞，手动追踪很快就会变得不堪重负，并成为一个主要的瓶颈。

计算机视觉提供了一种更快、更可靠的选择。它是深度学习支持的 AI 分支，机器通过学习大量图像集来识别模式。在细胞研究中，这意味着它们能够以高精度识别并分离单个细胞。

具体来说，像 Ultralytics YOLO11 这样的视觉 AI 模型支持目标检测和实例分割等任务，并可在自定义数据集上进行训练以分析细胞。目标检测使得查找和标记图像中的每个细胞成为可能，即使在许多细胞同时出现的情况下也是如此。

实例分割更进一步，通过在每个细胞周围绘制精确边界来捕捉其确切形状。将这些视觉 AI 功能集成到细胞分割流水线中，使研究人员能够自动化复杂的工作流程并高效地处理高分辨率显微镜图像。

Link to this section细胞分割算法的演变#

细胞分割方法多年来发生了很大变化。早期的图像分割技术适用于简单的图像，但随着数据集的增大和细胞变得难以区分，这些方法变得力不从心。

为了克服这些限制，人们开发了更先进的方法，从而产生了今天的计算机视觉模型，为微生物学和显微镜研究带来了速度、准确性和可扩展性。

接下来，让我们了解一下分割算法是如何演变的，从基本的阈值处理方法到尖端的深度学习模型和混合流水线。

Link to this section使用阈值处理和形态学方法进行细胞分割#

在计算机视觉取得进展之前，细胞分割依赖于传统的图像处理技术。这些方法依赖于手动定义的规则和操作，例如边缘检测、前景与背景分离或形状平滑。与能够直接从数据中学习模式的计算机视觉模型不同，图像处理依赖于在所有图像上以相同方式应用的固定算法。

最早的方法之一是阈值处理，这是一种通过比较像素亮度级别将细胞与背景分离的方法。当细胞与周围环境之间存在强烈对比时，这种方法效果很好。

基于阈值的细胞分割示例

图 2. 基于阈值的细胞分割示例。(来源)

为了优化结果，可以使用形态学操作（如膨胀（扩大形状）和腐蚀（缩小形状））来平滑边缘、去除噪声或闭合小的间隙。对于相互接触或重叠的细胞，一种称为分水岭分割的技术通过在细胞接触处绘制边界来帮助将它们分开。

虽然这些技术在处理重叠细胞或带噪图像等复杂情况时比较吃力，但它们对于简单的应用仍然有用，并且是细胞分割历史的重要组成部分。然而，它们的局限性推动了该领域向深度学习模型发展，这些模型在处理更具挑战性的图像时提供了更高的准确性。

Link to this section用于细胞分割的深度学习模型#

随着图像处理技术达到极限，细胞分割转向了基于学习的方法。与基于规则的方法不同，深度学习模型直接从数据中识别模式，使其更能适应重叠的细胞、多变的形状和不同的成像模式。

卷积神经网络 (CNN) 是一类广泛用于计算机视觉的深度学习架构。它们分层处理图像：较早的层检测简单的特征，如边缘和纹理，而较深的层捕捉更复杂的形状和结构。这种分层方法使 CNN 在处理许多视觉任务时非常有效，从通过模式识别来识别日常物体到分析生物医学图像。

像 YOLO11 这样的模型建立在这些深度学习原理之上。它们将基于 CNN 的架构与实时目标检测和实例分割技术相结合，从而能够快速定位细胞并勾勒出它们的边界。

Link to this section混合流水线增强细胞分割#

混合流水线通过结合多种方法的优势来改进细胞分割。这些方法可以包括传统图像处理与深度学习模型，甚至是多种不同的深度学习模型协同工作。

例如，一种方法可以增强或预处理显微镜图像以减少噪声并锐化边界，而另一种模型则用于检测和分割细胞。通过以这种方式拆分任务，混合方法提高了准确性，能更有效地处理复杂的图像，并使大规模研究更加可靠。

质量较差的细胞输入图像以及预处理提取出的特征

图 3. 低质量细胞输入图像 (a) 和预处理提取的模式 (b) 的示例，使细胞特征在后续分析中更加清晰。(来源)

Link to this section数据集在细胞分割中的重要性#

在计算机视觉驱动的细胞分割中，另一个需要考虑的关键因素是图像数据。计算机视觉模型在很大程度上依赖于大型、高质量的数据集来学习如何准确地识别和分离细胞。

这些数据集通常由配有注释的显微镜图像组成。与原始图像同样重要的是，数据注释或标注在创建有效数据集方面起着关键作用，因为它为模型提供了关键信息。

例如，如果我们想训练像 YOLO11 这样的模型来从显微镜图像中分割癌细胞，我们需要标注的示例来展示每个细胞的起点和终点。这些标签就像是指南，教会模型如何识别细胞形态和边界。注释可以手动绘制，也可以使用半自动化工具创建，以节省时间。

注释的类型也取决于任务。对于目标检测，要在每个细胞周围绘制边界框。对于实例分割，标签更像是勾勒出每个细胞确切轮廓的详细掩码。选择正确的注释类型和训练数据有助于模型学习完成工作所需的信息。

Link to this section与细胞分割相关的数据复杂性#

总的来说，构建计算机视觉数据集可能很困难，特别是当没有现有的图像集合，或者该领域非常独特和专业时。但在细胞研究领域，技术难度使得数据收集和标注变得更加复杂。

显微镜图像可能会根据细胞成像方法的不同而大相径庭。例如，荧光显微镜使用染料使细胞的部分发光。这些荧光图像突显了原本难以看到的细节。

标注是另一个重大挑战。手动标记数千个细胞速度缓慢且需要领域专业知识。细胞经常重叠、改变形状或看起来模糊，这很容易导致错误。半自动化工具可以加快该过程，但通常需要人工监督以确保质量。

为了减轻工作量，研究人员有时会使用更简单的注释，例如指示细胞位置的兴趣点标记，而不是绘制完整的轮廓。虽然精度较低，但这些标记仍然为训练提供了重要的指导。

除此之外，生物学领域的数据共享增加了更多复杂性。隐私问题、患者知情同意以及实验室之间成像设备的不同，使得构建一致的高质量数据集变得更加困难。

尽管存在这些障碍，但开源数据集已经产生了重大影响。通过 GitHub 等平台共享的公共集合提供了跨多种细胞类型和成像方法的数千张标注图像，帮助模型在现实场景中更好地泛化。

Link to this section细胞分割模型的应用#

既然我们对使用计算机视觉进行细胞分割的数据和方法有了更好的了解，那么让我们看看细胞分割和计算机视觉的一些实际应用。

Link to this section使用细胞分割进行单细胞分析#

单细胞分析（即研究单个细胞而不是整个组织样本）有助于科学家观察在更广阔层面经常被忽略的细节。这种方法广泛用于细胞生物学、药物研发和诊断，以了解细胞在不同条件下如何运作和反应。

例如，在癌症研究中，组织样本通常包含癌细胞、免疫细胞和支持（基质）细胞的混合体。仅将组织作为一个整体来看可能会掩盖重要的差异，例如免疫细胞如何与肿瘤相互作用，或者血管附近的癌细胞如何表现。

单细胞分析允许研究人员分离这些细胞类型并单独研究它们，这对于了解治疗反应和疾病进展至关重要。支持实例分割的 YOLO11 等模型可以检测每个细胞并勾勒出其确切形状，即使在拥挤或重叠的图像中也是如此。通过将复杂的显微镜图像转化为结构化数据，YOLO11 使研究人员能够快速且一致地分析数千个细胞。

Link to this section利用 YOLO 进行细胞追踪和活体成像#

细胞以不同的方式分裂、移动并对其周围环境做出反应。分析活细胞随时间如何变化有助于科学家了解它们在健康和疾病中的表现。

借助相差显微镜或高分辨率显微镜等工具，研究人员可以在不添加染料或标签的情况下追踪这些变化。这使细胞保持在自然状态，并使结果更可靠。

随时间追踪细胞也有助于捕捉那些原本可能被错过的细节。某个细胞的移动速度可能比其他细胞快，可能以不寻常的方式分裂，或者对刺激反应强烈。记录这些细微的差异能更清晰地了解细胞在真实条件下的行为。

像 Ultralytics YOLOv8 这样的计算机视觉模型使这一过程更快、更一致。通过在图像序列中检测和追踪单个细胞，YOLOv8 可以自动监控细胞的移动、分裂和相互作用，即使细胞重叠或形状发生变化也能做到。

将 YOLOv8 用于细胞检测的分割结果

图 4. 用于细胞检测的 YOLOv8 分割结果。（来源：mdpi.com）

Link to this section将视觉 AI 与生物信息学和多组学集成#

当与生物信息学（使用计算方法分析生物数据）和多组学（DNA、RNA 和蛋白质信息的集成）相结合时，像 YOLO11 这样用于全细胞分割的计算机视觉模型所提供的见解可以产生更大的影响。总之，这些方法推动研究超越了仅绘制细胞边界，进而深入理解这些边界的含义。

科学家们不再仅仅是识别细胞在哪里，还可以研究它们如何相互作用、组织结构在疾病中如何变化，以及细胞形状的微小变化如何与分子活动相联系。

以肿瘤样本为例：通过将癌细胞的大小、形状或位置与其分子图谱联系起来，研究人员可以发现与基因突变、基因表达或异常蛋白质活性的相关性。这能将静态图像转化为实用的见解，有助于追踪跨肿瘤的基因活性、实时绘制蛋白质行为，并构建连接结构与功能的参考图谱。

Link to this section细胞分割的好处#

以下是使用计算机视觉进行细胞分割的一些主要好处：

高通量筛选： 自动化分割可以高效处理数百万个细胞，从而加速大规模药物研发和测试。
空间组织见解： 它揭示了细胞在组织内的排列方式，为肿瘤环境或组织发育提供了关键线索。
定量数据生成： 除了细胞图像的视觉见解外，分割还提供可测量的信息，如细胞计数、面积和强度级别，从而实现跨实验的可靠比较。

Link to this section将视觉 AI 用于细胞分割的局限性#

虽然计算机视觉为细胞分割带来了许多好处，但它也有一些局限性。以下是需要牢记的几个因素：

数据隐私： 分享用于模型训练的标注细胞数据集可能会引发道德和监管问题，尤其是当患者信息与图像相关联时。
硬件和计算需求： 高分辨率生物图像分析需要强大的 GPU 和存储空间。云计算和优化算法正在帮助使其更易于访问。
模型泛化： 在一个实验室的显微镜或染色方案上训练的模型在其他地方可能表现不佳。使用多样化的多实验室数据集进行训练可提高稳健性。

Link to this section细胞分割的未来#

下一代细胞分割可能将由结合速度、准确性和可扩展性的计算机视觉模型来定义。像 U-Net 这样的模型影响深远，但它们可能对计算资源要求很高。随着计算机视觉的进步，研究人员正转向能够同时提供高准确性和实时性能的模型。

例如，最先进的模型（如 Ultralytics YOLOv8）分割显微镜图像的速度比传统方法快得多，同时仍能产生清晰准确的边界。

在最近的一项透射电子显微镜 (TEM) 研究中，性能指标显示 YOLOv8 的运行速度比 U-Net 快 43 倍。这种性能使得实时分析大数据集成为可能，随着成像研究规模的扩大，这变得越来越重要。

与 U-Net 相比，YOLOv8 在显微图像中生成的分割轮廓更清晰

图 5. 与 U-Net (c) 等其他模型相比，使用 YOLOv8 进行分割 (d) 在显微镜图像中产生了更清晰、更准确的轮廓。(来源)

这些改进已经在实践中得到了应用。像 Theia Scientific 的 Theiascope™ 这样的平台将 Ultralytics YOLO 模型与透射电子显微镜 (TEM) 集成，使得纳米级结构能够以一致的方式大规模进行分割。该平台使用 Ultralytics YOLO 模型进行实时检测和分割，在 TEM 图像捕获时自动识别结构，并将其转换为可靠且可立即分析的数据。