荧光非常适合以绚丽的色彩呈现复杂的细胞结构。然而，在有些情况下，不使用荧光标记来获取必要的信息会更迅速、损害更小，或者说更加方便。
深度学习软件可为您完成这项工作。其卷积神经网络可以自动识别明场图像中的细胞和细胞核。它也可通过自我训练不断提高识别能力。
我们将其称之为自学显微法，而且我们已经将这一概念整合到cellSens生命科学图像分析软件中。下面这个例子说明了自学显微法如何为您提供帮助。
从DAPI到深度学习：一项实验
可以采用一种成熟技术进行细胞核的分割和计数，即使用DAPI标示细胞核，并分析荧光图像（图1，右图）。我们做了一个实验，目的是确认当我们通过cellSens深度学习模块分析未染色的明场图像（图1，左图）时，是否可以得到同样的结果。
图1：细胞核的明场图像（左图）和荧光图像（右图）。
为了训练软件，我们提供了96孔板中40个位置的荧光和明场图像。由于采用了自学显微法，训练以全自动方式进行，只花费了大约90分钟。
结果
下面的图2显示了100个使用荧光检测到的随机选择细胞核（左图），以及相应的明场图像（中图）和通过深度学习预测的物体形状（右图）。虽然这两种方法表现出出色的一致性，但通过深度学习检测到的物体总数大约高出3%。
图2：使用荧光检测到的细胞核（左图）、相应的明场图像（中图）和通过深度学习技术预测的物体形状（右图）。
在研究这种差异的同时，我们发现荧光数据包含了许多异常大的物体。当我们比较这个子集中的图像时，我们发现许多荧光“物体”实际上是两个被算作一个物体的细胞核，并且其中大多数都被深度学习软件正确地报告为两个独立的物体（见下面的图3）。
图3：与荧光图像（左图）相比，深度学习软件可以明确地区分出相互靠近的细胞核（右图）。
从这个自学显微法实验中获得的重要经验教训
这个实验表明，基于深度学习技术的图像分析方法在性能上可轻易地媲美甚至超过基于荧光的图像分析方法。而且，用于准确物体检测的神经网络训练速度快并且自动执行。
对活细胞成像的益处显而易见：除了提高准确性之外，深度学习支持下的图像分析还意味着您不需要基因改造（GFP）或细胞核标记。结果：您可以节省样品制备的时间，省下一个荧光通道用于其他标记，并通过缩短曝光时间减少光毒性 — 有什么理由不喜欢呢？
