### 细胞分割

#### 核心定义
细胞分割（Cell Segmentation）是生物图像分析中的基础任务，指从显微镜图像（如荧光、明场、共聚焦等）中自动识别并勾勒出单个细胞或细胞核的边界，将连续像素划分为独立的细胞区域。其核心目标是将原始图像转化为可量化的单细胞数据，支撑形态学测量、细胞计数、轨迹追踪及组学分析。

#### 关键技术点
1. **基于阈值的分割（如Otsu算法）**  
   通过计算灰度直方图的类间方差最大化，自动选择最佳阈值分离细胞与背景。适用于细胞密度低、背景均匀的简单场景，但对光照不均和细胞重叠敏感。

2. **分水岭算法（Watershed）**  
   将图像视为地形图，以灰度梯度为高度，从局部极小值开始“注水”，通过分水线分离接触细胞。常配合距离变换或标记控制，解决细胞粘连问题，但对噪声和弱边界易产生过分割。

3. **基于深度学习的语义分割（U-Net）**  
   端到端的编码器-解码器架构，通过跳跃连接保留空间细节，以像素级分类实现细胞区域分割。训练需大量标注数据，但对复杂形态、弱边缘和异质性细胞具有强鲁棒性。

4. **实例分割（Mask R-CNN / Cellpose）**  
   在检测边界框基础上生成逐像素掩模，可同时区分不同细胞实例。Cellpose采用泛化性强的拓扑流形学习，能适应多种细胞类型（如神经元、星形胶质细胞），无需针对新细胞重新训练。

#### 医学/神经科学应用场景（首都医科大学神经病学研究）
在阿尔茨海默病（AD）研究中，首都医科大学神经病学研究所利用细胞分割技术分析脑组织免疫荧光切片：通过Cellpose分割Aβ斑块周围的反应性星形胶质细胞（GFAP⁺），结合Sholl分析量化其分支复杂性。进一步配合深度阈值分割提取单个小胶质细胞（Iba1⁺），计算其与斑块的空间距离分布，揭示胶质细胞“区域化屏障”在AD进展中的动态变化。该流程实现了从全切片到单细胞的高通量定量，为靶向胶质-神经炎症的脑疾病机制提供了关键数据支撑。