Diese Studie entwickelte eine neue markierungsfreie Nachweismethode basierend auf Mikroskopie und Deep Learning. Als Untersuchungsobjekt wurde die Zelllinie A549 des nicht-kleinzelligen Lungenkarzinoms verwendet, und es wurde ein Datensatz aus Hellfeldbildern sowie zugehörigen Zellvitalitätsannotationen erstellt. Es wurde ein zweigleisiges, multiskaliges Merkmalfusion-Netzwerk Enhanced-UNet entworfen, das die Detailwiederherstellungsfähigkeit von UNet++ mit der Kontextmodellierungsfähigkeit von DeepLabV3+ kombiniert und räumliche sowie kanalbasierte Komprimierungs-Aktivierungs-Module sowie dilatierte räumliche Pyramid-Pooling-Module einführt, um die Extraktion von Detail- und globalen Kontextmerkmalen zu verstärken. Die Ergebnisse zeigen, dass das Modell auf dem selbst erstellten Datensatz mittlere Intersection-over-Union (mIoU) von 0,7623 und mittleren Dice-Koeffizienten (mDice) von 0,8556 erreicht, mit einem Vorhersage-Korrelationskoeffizienten r=0,912 und die fünf gängigen Modelle UNet, SegNet, FCN, PSPNet und LinkNet übertrifft. Die Methode benötigt keine chemischen Reagenzien, vermeidet Störungen des Zellzustands und ermöglicht die dynamische und kontinuierliche Überwachung des Überlebens der A549-Zellen, was wertvolle Referenzen für die Entwicklung markierungsfreier Detektionstechnologien bei Lungenkrebszellen liefert.

Zellvitalitätserkennung; optische Mikroskopie; Lungenkrebszellen; Deep Learning