Nature Methods
CellSAM：通用细胞分割模型
小赛推荐：
该研究提出了CellSAM，一个通用的细胞分割模型，能够自动处理多种成像模态和细胞类型的数据，支持零样本和少样本学习，且适用于多种生物图像分析流程。
文献概述
本文《CellSAM: a foundation model for cell segmentation》，发表于Nature Methods杂志，回顾并总结了细胞分割技术的最新进展。研究介绍了一种通用模型CellSAM，该模型基于Segment Anything Model（SAM）和Anchor DETR框架，实现了跨模态、跨细胞类型（哺乳动物细胞、酵母、细菌等）的高精度细胞分割。CellSAM在多个数据集上表现优于现有模型，同时在零样本和少样本条件下具有良好的适应能力。该模型的公开部署版本可在https://cellsam.deepcell.org/获取，用户可通过自动提示和手动提示进行灵活使用。背景知识
细胞分割是细胞成像实验中的核心任务，对于组织定位、活细胞成像、空间转录组学等下游分析至关重要。近年来，深度学习在该领域取得了显著进展，但现有方法多为特定模态或特定细胞类型的专家模型，难以泛化到不同实验条件。Segment Anything Model（SAM）作为通用视觉模型，其默认提示策略在细胞图像中表现不佳，主要由于细胞密度高、边界模糊等问题。因此，本文提出CellSAM，结合SAM的掩膜生成能力和Anchor DETR的检测能力，开发出适用于多种成像数据的通用细胞分割模型。研究团队构建了包含组织、细胞培养、酵母、细菌、H&E染色和相位成像的综合数据集，并通过严格的训练测试数据划分，确保模型评估的准确性。该工作为大规模细胞分割提供统一解决方案，减少人工标注成本，加速高质量数据生成。
研究方法与实验
研究团队首先构建了一个包含多种细胞类型和成像模态的综合数据集，涵盖哺乳动物细胞、酵母、细菌、H&E染色等数据。随后，他们基于SAM模型，引入CellFinder模块，利用Vision Transformer（ViT）提取特征，使用Anchor DETR框架进行细胞检测，生成边界框作为SAM的提示。模型训练分为两个阶段：第一阶段训练CellFinder模块，第二阶段微调SAM模型颈部（neck）以适应细胞图像特征分布。此外，研究团队评估了CellSAM在零样本和少样本条件下的性能，使用LIVECell数据集进行泛化能力测试，并与其他通用和专家模型进行比较。关键结论与观点
研究意义与展望
CellSAM的提出标志着细胞分割任务向通用模型的迈进，减少了对特定数据集训练的依赖，同时提升了自动化标注能力。未来，该模型可进一步扩展至3D成像、多染色和动态成像任务，为大规模生物成像提供统一分析框架。此外，研究团队计划优化提示工程策略，以提高模型在不同成像条件下的泛化能力。
结语
CellSAM为细胞分割任务提供了一个通用、自动化、高性能的解决方案，适用于多种成像模态和细胞类型。该模型不仅在零样本和少样本条件下表现出色，还支持多种下游分析流程，如空间转录组学、细胞追踪和3D分割。研究团队通过构建多样化数据集、优化模型架构和训练策略，确保模型在跨域任务中保持高精度。CellSAM的公开部署版本进一步降低了使用门槛，使研究人员无需大量标注数据即可进行细胞分割。未来，该模型有望在更复杂的生物成像任务中发挥作用，如多通道、多时间点分割和动态细胞追踪。同时，研究团队将继续探索更高效的提示策略，以提升模型在不同成像条件下的泛化能力，使其成为通用生物图像分析的基础模型。
