Benchmarking the Cell Image Segmentation Models Robustness under the Microscope Optical Aberrations

细胞分割在生物医学研究中对于分析细胞形态和行为至关重要。深度学习方法，特别是卷积神经网络（CNN），通过从图像中提取复杂特征，已经彻底改变了细胞分割的方法。然而，这些方法在显微镜光学畸变下的稳健性仍然是一个重要的挑战。本研究使用DynamicNuclearNet（DNN）和LIVECell数据集，在模拟畸变条件下全面评估了细胞实例分割模型的性能。利用Zernike多项式方程模拟了像散、像差、球差和三叶草等畸变。训练和测试了各种分割模型，如具有不同网络头（FPN、C3）和骨干（ResNet、VGG19、SwinS）的Mask R-CNN，以处理受畸变影响的图像。结果表明，FPN与SwinS相结合在处理受轻微畸变影响的简单细胞图像方面表现出卓越的稳健性。相反，Cellpose2.0在类似条件下对于复杂细胞图像也很有效。我们的研究结果为基于细胞形态和畸变严重程度选择适当的分割模型提供了见解，增强了生物医学应用中细胞分割的可靠性。需要进一步研究来验证这些方法对于不同畸变类型和新兴分割模型的适用性。总的来说，本研究旨在指导研究人员在存在轻微光学畸变的情况下有效地利用细胞分割模型。

本论文旨在解决显微镜光学畸变对细胞图像分割模型的影响，以及如何选择适当的分割模型来增强细胞分割在生物医学应用中的可靠性。

本文综合评估了使用DynamicNuclearNet（DNN）和LIVECell数据集模拟畸变条件下的细胞实例分割模型的性能。作者使用Zernike多项式方程模拟畸变，训练和测试了各种分割模型，结果表明FPN与SwinS的结合在处理受轻微畸变影响的简单细胞图像方面表现出更强的鲁棒性。而对于受到类似条件影响的复杂细胞图像，Cellpose2.0则表现出了良好的效果。

本文使用了多种分割模型，如Mask R-CNN，以及不同的网络头（FPN，C3）和骨干网络（ResNet，VGG19，SwinS）来训练和测试。作者还使用了Zernike多项式方程模拟畸变。实验结果表明，FPN与SwinS的结合在处理受轻微畸变影响的简单细胞图像方面表现出更强的鲁棒性。而对于受到类似条件影响的复杂细胞图像，Cellpose2.0则表现出了良好的效果。

最近的相关研究包括使用深度学习方法进行细胞分割的研究，以及使用不同的数据增强技术来提高模型的鲁棒性的研究。