Cette étude a développé une nouvelle méthode de détection sans marqueur basée sur l'imagerie microscopique et l'apprentissage profond. En utilisant la lignée cellulaire du cancer du poumon non à petites cellules A549 comme sujet, un ensemble de données d'images en champ clair et d'annotations d'activité cellulaire correspondantes a été construit. Un réseau de fusion de caractéristiques multi-échelle à double branche Enhanced-UNet a été conçu, combinant la capacité de récupération des détails de UNet++ et la modélisation contextuelle de DeepLabV3+, avec l'introduction de modules de compression-excitation spatiale et de canal, ainsi que d'un module de mise en commun pyramidale en atrous, renforçant l'extraction des caractéristiques détaillées et du contexte global. Les résultats montrent que le modèle atteint un indice d'intersection sur l'union moyen (mIoU) et un coefficient Dice moyen (mDice) de 0,7623 et 0,8556 sur l'ensemble de données créé, avec une corrélation de prédiction r = 0,912, surpassant cinq modèles populaires : UNet, SegNet, FCN, PSPNet et LinkNet. Cette méthode ne nécessite pas l'utilisation de réactifs chimiques, évitant la perturbation de l'état cellulaire, et permet une surveillance dynamique continue de la viabilité des cellules A549, fournissant une référence précieuse pour le développement de la détection d'activité cellulaire du cancer du poumon sans marqueur.

détection de la viabilité cellulaire;imagerie microscopique optique;cellules cancéreuses du poumon;apprentissage profond