Cette étude a développé une nouvelle méthode de détection sans marque basée sur l'imagerie microscopique et l'apprentissage profond. En prenant pour objet la lignée cellulaire de cancer du poumon non à petites cellules A549, un ensemble de données d'images en champ clair et d'annotations de viabilité cellulaire associées a été construit. Un réseau de fusion de caractéristiques multiscales à double branche, Enhanced-UNet, a été conçu en combinant la capacité de récupération de détails de UNet++ et la capacité de modélisation contextuelle de DeepLabV3+, avec l'introduction de modules de compression-activation spatial et canal ainsi que des modules de pooling pyramidal spatial à trous, renforçant l'extraction des caractéristiques détaillées et contextuelles globales. Les résultats montrent que le modèle atteint un mIoU moyen de 0,7623 et un mDice moyen de 0,8556 sur le jeu de données construit, avec un coefficient de corrélation prédictive r=0,912, surpassant les cinq modèles grand public UNet, SegNet, FCN, PSPNet et LinkNet. Cette méthode ne nécessite pas l'utilisation de réactifs chimiques, évitant ainsi toute perturbation de l'état cellulaire, et permet de surveiller dynamiquement et en continu la viabilité des cellules A549, fournissant une référence précieuse pour le développement de technologies de détection de viabilité cellulaire des cancers pulmonaires sans marque.

détection de la viabilité cellulaire; microscopie optique; cellules cancéreuses pulmonaires; apprentissage profond