ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ МОДЕЛЕЙ MASK R-CNN И SEGMENT ANYTHING MODEL (SAM) ДЛЯ ИНСТАНС-СЕГМЕНТАЦИИ МЕЗЕНХИМНЫХ СТВОЛОВЫХ КЛЕТОК НА МИКРОФОТОГРАФИЯХ

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Солопов М. В.
биолог, лаборатория клеточно-тканевого культивирования
ФГБУ «ИНВХ им. В.К. Гусака»
Область научных интересов:регенеративная биомедицина, клеточные технологии, искусственный интеллект, нейронные сети

Чечехина Е. С.
лаборант, кафедра биохимии и регенеративной биомедицины, факультет фундаментальной медицины
МГУ имени М.В. Ломоносова,
Область научных интересов: регенеративная биомедицина, клеточные технологии, искусственный интеллект, нейронные сети

Попандопуло А. Г.
д.мед.н, профессор
заведующий лабораторией клеточнотканевого культивирования
ФГБУ «ИНВХ им. В.К. Гусака»
Область научных интересов: регенеративная биомедицина, клеточные технологии, хирургия

Кавелина А. С.
к.мед.н
биолог, лаборатория клеточно-тканевого культивирования
ФГБУ «ИНВХ им. В.К. Гусака»
Область научных интересов: регенеративная биомедицина, клеточные технологии

Акопян Г. В.
биолог, лаборатория клеточно-тканевого культивирования
ФГБУ «ИНВХ им. В.К. Гусака»
Область научных интересов: регенеративная биомедицина, клеточные технологии

Турчин В. В.
биолог, лаборатория клеточно-тканевого культивирования
ФГБУ «ИНВХ им. В.К. Гусака»
Область научных интересов: регенеративная биомедицина, клеточные технологии

Скачать pdf

УДК 004.93
DOI 10.24412/2413-7383-2025-2-37-21-29
Язык: Русский
Аннотация: Исследование посвящено сравнению эффективности архитектур Mask R-CNN и Segment Anything Model (SAM) в задаче инстанс-сегментации мезенхимных стволовых клеток (МСК) на микрофотографиях. На двух датасетах (с низкой и высокой плотностью клеток) показано, что Mask R-CNN, обученная на целевом домене, превосходит SAM по метрике mAP (0,64 против 0,61 для низкой плотности; 0,31 против 0,26 для высокой). Выявлено, что увеличение плотности клеток и их перекрытие снижают точность обеих моделей. SAM демонстрирует ограниченную эффективность при использовании только ограничивающих рамок (bounding boxes) в качестве входных данных, что указывает на необходимость адаптации данной модели для работы с биомедицинскими данными.
Ключевые слова: инстанс-сегментация, мезенхимные стволовые клетки, морфологическая гетерогенность, плотность клеток, автоматизированный анализ культур, биомедицинские изображения, адаптация моделей.

Список литературы:
1. Jovic D., Yu Y., Wang D. et al. A Brief Overview of Global Trends in MSC-Based Cell Therapy. Stem Cell Reviews and Reports. 2022. Vol. 18. P. 1525–1545. DOI: 10.1007/s12015-022-10369-1.
2. Khalid A. A.-A., Rehab Y. A.-A. Update on the Use of Mesenchymal Stem Cells in the Treatment of Various Infectious Diseases Including COVID-19 Infection. Journal of Stem Cell Therapy and Transplantation. 2023. Vol. 7. P. 034–042. DOI: 10.29328/journal.jsctt.1001033.
3. Chung M.-J., Son J.-Y., Park S. et al. Mesenchymal Stem Cell and MicroRNA Therapy of Musculoskeletal Diseases. International Journal of Stem Cells. 2021. Vol. 14. № 2. P. 150–167. DOI: 10.15283/ijsc20167.
4. Vargas-Rodríguez P., Cuenca-Martagón A., Castillo-González J. et al. Novel Therapeutic Opportunities for Neurodegenerative Diseases with Mesenchymal Stem Cells: The Focus on Modulating the Blood-Brain Barrier. International Journal of Molecular Sciences. 2023. Vol. 24. № 18. P. 14117. DOI: 10.3390/ijms241814117.
5. Adnan N., Umer F., Malik S. Implementation of Transfer Learning for the Segmentation of Human Mesenchymal Stem Cells—A Validation Study. Tissue and Cell. 2023. Vol. 83. P. 102149. DOI: 10.1016/j.tice.2023.102149.
6. Solopov M., Chechekhina E., Kavelina A. et al. Comparative Study of Deep Transfer Learning Models for Semantic Segmentation of Human Mesenchymal Stem Cell Micrographs. International Journal of Molecular Sciences. 2025. Vol. 26. № 5. P. 2338. DOI: 10.3390/ijms26052338.
7. Imboden S., Liu X., Lee B.S. et al. Investigating Heterogeneities of Live Mesenchymal Stromal Cells Using AI-Based Label-Free Imaging. Scientific Reports. 2021. Vol. 11. P. 6728. DOI: 10.1038/s41598-021-85905-z.
8. Hoffman J., Zheng S., Zhang H. et al. Image-Based Discrimination of the Early Stages of Mesenchymal Stem Cell Differentiation. Molecular Biology of the Cell. 2024. Vol. 35. P. ar103. DOI: 10.1091/mbc.E24-02-0095.
9. Kong Y., Ao J., Chen Q. et al. Evaluating Differentiation Status of Mesenchymal Stem Cells by LabelFree Microscopy System and Machine Learning. Cells. 2023. Vol. 12. № 11. P. 1524. DOI: 10.3390/cells12111524.
10. Hassanlou L., Meshgini S., Alizadeh E. Evaluating Adipocyte Differentiation of Bone Marrow-Derived Mesenchymal Stem Cells by a Deep Learning Method for Automatic Lipid Droplet Counting. Computers in Biology and Medicine. 2019. Vol. 112. P. 103365. DOI: 10.1016/j.compbiomed.2019.103365.
11. Lan Y., Huang N., Fu Y. et al. Morphology-Based Deep Learning Approach for Predicting Osteogenic Differentiation. Frontiers in Bioengineering and Biotechnology. 2022. Vol. 9. P. 802794. DOI: 10.3389/fbioe.2021.802794.
12. Mota S.M., Rogers R.E., Haskell A.W. et al. Automated Mesenchymal Stem Cell Segmentation and Machine Learning-Based Phenotype Classification Using Morphometric and Textural Analysis. Journal of Medical Imaging. 2021. Vol. 8. № 1. P. 014503. DOI: 10.1117/1.JMI.8.1.014503.
13. Ochs J., Biermann F., Piotrowski T. et al. Fully Automated Cultivation of Adipose-Derived Stem Cells in the StemCellDiscovery—A Robotic Laboratory for Small-Scale, High-Throughput Cell Production Including Deep Learning-Based Confluence Estimation. Processes. 2021. Vol. 9. № 4. P. 575. DOI: 10.3390/pr9040575.
14. Rettenberger L., Rieken Münke F., Bruch R., Reischl M. Mask R-CNN Outperforms U-Net in Instance Segmentation for Overlapping Cells. Current Directions in Biomedical Engineering. 2023. Vol. 9. № 1. P. 335–338. DOI: 10.1515/cdbme-2023-1084.
15. Murugesan R., T. G.A., A. V. et al. Instance Segmentation of Neuronal Cells Using U-Net, Mask R-CNN, and Detectron2. International Journal of Biomedical Engineering and Technology. 2024. Vol. 45. № 2. P. 129–149. DOI: 10.1504/IJBET.2024.138735.
16. Kirillov A., Mintun E., Ravi N. et al. Segment Anything. arXiv. 2023. [Электронный ресурс]. URL: https://arxiv.org/abs/2304.02643 (дата обращения: 01.07.2024).
17. Mazurowski M.A., Dong H., Gu H. et al. Segment Anything Model for Medical Image Analysis: An Experimental Study. Medical Image Analysis. 2023. Vol. 89. P. 102918. DOI: 10.1016/j.media.2023.102918.
18. Ji W., Li J., Bi Q. et al. Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-World Applications. Machine Intelligence Research. 2024. Vol. 21. P. 617–630. DOI: 10.1007/s11633-023-1385-0.
19. Huang Y., Yang X., Liu L. et al. Segment Anything Model for Medical Images? Medical Image Analysis. 2024. Vol. 92. P. 103061. DOI: 10.1016/j.media.2023.103061.
20. Ulman V., Maška M., Magnusson K.E.G. et al. An Objective Comparison of Cell-Tracking Algorithms. Nature Methods. 2017. Vol. 14. № 12. P. 1141–1152. DOI: 10.1038/nmeth.4473.
21. Maška M., Ulman V., Delgado-Rodriguez P. et al. The Cell Tracking Challenge: 10 Years of Objective Benchmarking. Nature Methods. 2023. Vol. 20. № 7. P. 1010–1020. DOI: 10.1038/s41592-023-01879-y.

Выпуск: 2(37)'2025
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Исследование применения моделей Mask R-CNN и Segment Anything Model (SAM) для инстанс-сегментации мезенхимных стволовых клеток на микрофотографиях / М. В. Солопов, Е. С. Чечехина, А. Г. Попандопуло [и др.] // Проблемы искусственного интеллекта. – 2025. – № 2(37). – С. 21-29. – DOI 10.24412/2413-7383-2025-2-37-21-29. – EDN ODOKND.

Назад к выпуску 2(37)'2025