在空间组学数据分析中，细胞图像分割和分类是关键任务。
近日，美国 宾夕法尼亚大学（University of Pennsylvania）Minxing Pang， Kai Tan等，在Nature Methods上发文，报道了一种端到端模型CelloType，基于图像空间组学数据的细胞图像分割和分类而设计。不同于传统的先图像分割后细胞分类的两阶段方法，CelloType采用了一种多任务学习策略，集成了这些任务，同时提高了两者的性能。CelloType利用基于Transformer深度学习技术，以提高对象检测、图像分割和分类的准确性。在各种多重荧光和空间转录组图像上，优于现有的图像分割方法。在细胞类型分类方面，CelloType超越了由单个任务的最先进方法和高性能实例分割模型组成的模型。利用多重组织图像，还证明了CelloType模型，在细胞和非细胞成分的多尺度组织分割和分类中的效用。CelloType增强的准确性和多任务学习能力，促进了快速增长的空间组学数据的自动注释。![]()
CelloType: a unified model for segmentation and classification of tissue images.
CelloType：组织图像分割和分类的统一模型。
![]()
图1: CelloType概述。
![]()
图2: 利用TissueNet数据集，评估图像分割准确性。
![]()
图3: 利用CellPose Cyto数据集，评估图像分割精度。
![]()
图4: 评估空间转录组学数据的图像分割准确性。
![]()
图5: CelloType执行联合图像分割和细胞类型分类。
![]()
图6: CelloType支持联合多尺度图像分割和分类。
Pang, M., Roy, T.K., Wu, X. et al. CelloType: a unified model for segmentation and classification of tissue images. Nat Methods (2024). https://doi.org/10.1038/s41592-024-02513-1https://www.nature.com/articles/s41592-024-02513-1声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
