在生物学和医学研究中，细胞迁移和细胞融合的量化对于研究细胞功能很重要。划痕测定常用于定量测量细胞迁移到物理产生的无细胞区域（间隙）的速度。作为一个经典的评估细胞迁移的技术，该实验在细胞发育和分化以及癌细胞侵袭和转移广泛应用。然而，手动处理未染色的样本图像进行量化需要大量的时间。此外，NIS-Elements 成像软件中包含一个划痕实验分析（Scratch assays）模块，可以判断伤口愈合( Wound healing)的趋势，不过它在精细检测方面的准确性有待优化。
在本文中，我们将介绍使用NIS-Elements 的 NIS.ai 模块对划痕分析进行量化的示例。基于对少量图像的训练，NIS.ai可以对细胞区域做出更准确的推断。
实验仪器和软件
1）显微镜：Ti2-E (Nikon)
2）物镜：CFI Plan Fluor ELWD 20xC (Nikon)
3）相机：ORCA Flash4.0 V3 (Hamamatsu)
4）图像软件：NIS-Elements (Nikon)
5）台式培养装置：STX series (Tokai HIT)
1）划痕实验：Hela cell 接种在6孔板内，待融合度达到约70%时，使用10ul的微量移液枪头在细胞间制作一道划痕。然后细胞用DMEM 培养基洗三次，继续培养。
2）DIC 成像：每10分钟对细胞划痕区域进行成像，持续32小时。成像时细胞放置在台式培养装置内 ，环境稳定 （37 °C, 5% CO2）。
3）图像训练：从时间序列图像中选择具有不同细胞密度的 16 张图像作为训练数据。为了节省工作量，可以使用NIS-Elements的现有应用模块，用于粗略地创建二进制文件数据，然后手动修改（图 1）。然后通过NIS.ai中的分割模块Segment.ai 对获得的文件数据进行训练（如1000 times）, 以创建最终的模型。
4) 数据分析：分别统计使用NIS.ai_Segment ai 模块和 使用 Wound healing 模块下处理的图像的划痕区域的面积, 并把这些区域的面积与通过手动创作真实图像（Ground truth image）得到的划伤区域的面积进行计算和比较。
实验结果
结果表明，相比于Wound Healing模块，NIS.ai可以更准确地检测划痕区域的边界（图 2a，
检测第0, 10和30小时的划痕区域；图2b，Input黄色区域的放大。）
在测量长时间序列图像中，使用 NIS.ai 的平均结果与真实结果（ground-truth results）可达匹配99.69%，而使用 Wound Healing的结果则有明显的波动。这说明 NIS.ai 可以用于划痕检测的准确定量（图3a 和 3b）。并且，即使在Wound Healing模块对某些微小区域检测错误的情况下，NIS.ai 也能高精准的检测伤口愈合的状况（图3c-3e）。
• 与Wound Healing 模块结合，节省创建训练数据所需人力。
NIS-Elements 成像软件的NIS.ai 模块利用深度学习来从训练数据中学习，改进图像处理和分析工作流程。NIS.ai的 Segment.ai 功能可轻松从含有不同形状的细胞混合物的微分干涉（DIC）或相差（Phase contrast）图像中提取目标细胞，并进行定量测量。
