MicroRNAs (miRNAs) served as silencers to repress gene expression at post-transcriptional level. Multiple miRNAs played important roles in osteogenesis. MiR-378 was reported to mediate bone metabolism and influence bone development with the detailed mechanism unknown. In this study, the miR-378 transgenic (TG) mouse was developed to study the role of miR-378 in osteogenic differentiation as well as bone formation. Abnormal bone tissues and delayed healing effect were observed in miR-378 TG mice. The osteogenic differentiation of MSCs derived from this TG mouse was also inhibited. We also found that miR-378 mimics suppressed while anti-miR-378 promoted human MSCs osteogenesis. Wnt6 and Wnt10a were identified as bona fide targets of miR-378, which eventually induced the inactivation of Wnt/β-catenin signaling. Finally, the sh-miR-378 modified MSCs were locally injected into the fracture sites in an established mouse fracture model. The results indicated that miR-378 inhibitor therapy could promote bone formation and stimulate healing process in vivo. In conclude, miR-378 suppressed osteogenesis and bone formation via inactivating Wnt/β-catenin signaling, suggesting miR-378 may be a potential therapeutic target for bone diseases.

Microscopic cell detection is a challenging task due to significant inter-cell occlusions in dense clusters and diverse cell morphologies. This paper introduces a novel framework designed to enhance automated cell detection. The proposed approach integrates a deep learning model that produces an inverse distance transform-based detection map from the given image, accompanied by a secondary network designed to regress a cell density map from the same input. The inverse distance transform-based map effectively highlights each cell instance in the densely populated areas, while the density map accurately estimates the total cell count in the image. Then, a custom counting-aided cell center extraction strategy leverages the cell count obtained by integrating over the density map to refine the detection process, significantly reducing false responses and thereby boosting overall accuracy. The proposed framework demonstrated superior performance with F-scores of 96.93%, 91.21%, and 92.00% on the VGG, MBM, and ADI datasets, respectively, surpassing existing state-of-the-art methods. It also achieved the lowest distance error, further validating the effectiveness of the proposed approach. These results demonstrate significant potential for automated cell analysis in biomedical applications.

An unbiased assessment of sperm morphology and motility is crucial for assessing fertility potential and guiding visual feedback for microrobotic manipulation. Automated analysis and selection of optimal sperm are essential for in vitro fertilization treatments, such as robotic intracytoplasmic sperm injection. However, conventional image processing methods face limitations in analyzing small sperm objects under microscopic imaging. While convolutional neural networks (CNNs) have brought promising advancements in microscopic image analysis, previous CNN methods have struggled to accurately differentiate tiny objects. These methods often require staining or fluorescence techniques to enhance visual contrast between sperm and culture medium, leading to clinical impracticality. To address these limitations, we introduce a novel sperm recognition network named the sperm feature-correlated network (SFCNet), for accurate and efficient segmentation and tracking of minute sperm objects. The SFCNet employs innovative modules, including collateral multi-scale convolution, cross-scale feature map guide, atrous spatial pyramid convolution with pooling, lateral attention, and multi-scale tracking proposal, to preserve essential sperm details despite their small size. Experimental results indicate that the SFCNet surpassed the state-of-the-art models designed for segmenting or tracking small objects, achieving up to a 28.39% higher Sorensen-Dice coefficient in segmentation and a 10.33% higher average precision in tracking. Additionally, the SFCNet excelled in sperm morphometric analysis, achieving errors below 15%. Moreover, the SFCNet also secured top-tier performance in sperm motility analysis, acquiring errors below 13% in seven sperm motility parameters. Note to Practitioners —This study is stimulated by the need to analyze the quality of motile sperms and select the optimal one for in vitro fertilization. Existing methods for detecting sperm fall short as they require a relatively high-magnification microscopic image or the usage of stain or fluorescence to increase sperm visualization, which limits the selection process or even makes the sperm clinically unavailable. To overcome these limitations, the present work proposes a new framework based on deep learning, which includes the design of extracting multi-scale sperm features. Experimental results suggest that the proposed method can perform better than existing methods in real-time analysis of multiple motile sperms' morphology and motility at 20  $\times$  objective. In the future, there is a high potential for fertility specialists and healthcare workers to apply the presented framework in fertility treatment with higher accuracy and efficiency.