组织成像数据分析的一个主要挑战是细胞分割——识别图像中每个细胞的精确边界的任务。有鉴于此，美国加州理工学院的David Van Valen、美国斯坦福大学的Michael Angelo等研究人员，利用大规模数据注释和深度学习对组织图像进行具有人类水平的全细胞分割。

本文要点

1）研究人员构建了TissueNet，这是一个用于训练分割模型的数据集，它包含了超过100万个手动标记的细胞，比之前发布的所有分割训练数据集多了一个数量级。

2）研究人员使用TissueNet来训练了Mesmer，这是一种支持深度学习的分割算法。

3）研究人员证明了Mesmer比以前的方法更准确，能够适用于TissueNet中所有的组织类型和成像平台，并且达到了人类水平的表现。

4）Mesmer能够自动提取关键的细胞特征，如蛋白质信号的亚细胞定位，这在以前的方法中是具有挑战性的。

5）研究人员对Mesmer进行了调整，以利用高度复用数据集中的细胞系信息，并使用这一增强版来量化人类妊娠期的细胞形态变化。所有代码、数据和模型都已作为公开资源发布。

参考文献：

Noah F. Greenwald，et al. Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning. Nature Biotechnology, 2021.

DOI：10.1038/s41587-021-01094-0

https://www.nature.com/articles/s41587-021-01094-0