Diese Studie entwickelte eine neue markierungsfreie Nachweismethode basierend auf mikroskopischer Bildgebung und Deep Learning. Als Objekt diente die Zelllinie des nicht-kleinzelligen Lungenkrebses A549, es wurde ein Datensatz aus Hellfeldbildern und entsprechenden Zelllebensfähigkeitsannotationen erstellt. Es wurde ein zweigleisiges multi-skala Merkmalsfusionsnetz Enhanced-UNet entworfen, das die Detailwiederherstellungsfähigkeit von UNet++ und die Kontextmodellierungsfähigkeit von DeepLabV3+ kombiniert und dabei räumliche und kanalbasierte Kompressions-Anregungs- sowie Dilations-Pyramidenpooling-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) und mittlere Dice-Koeffizienten (mDice) von 0,7623 bzw. 0,8556 sowie eine Vorhersagekorrelation r=0,912 erreicht und dabei fünf führende Modelle UNet, SegNet, FCN, PSPNet und LinkNet übertrifft. Diese Methode benötigt keine chemischen Reagenzien und vermeidet somit Beeinträchtigungen des Zellzustands, kann die Lebensfähigkeit der A549-Zellen kontinuierlich dynamisch überwachen und bietet eine wertvolle Referenz für die Entwicklung markierungsfreier Nachweistechniken der Lungenkrebszelllebensfähigkeit.

Lebensfähigkeitserkennung;optische Mikroskopie;Lungenkrebszellen;Deep Learning