В текущей работе разработан комплексный подход для определения ядер живых клеток на изображениях без флуоресцентных меток. Поскольку в клеточной биологии актуальными являются подсчет клеток, оценка динамики роста клеток и конфлюентности, то существует целесообразность в автоматизации получения этих данных. Для автоматизации применяют алгоритмы на основе машинного обучения, которые необходимо обучать на изображениях конкретных культур клеток. Обучение алгоритмов является трудоемким процессом и требует длительной ручной разметки. Также доступные методы анализа на основе машинного обучения обладают низкой точностью определения живых клеток без флуоресцентной окраски. Цель исследования: упростить создание набора данных аннотированных клеток с последующим обучением алгоритмов на изображениях живых культур клеток. Материалы и методы. Методика включала использование сверточных нейронных сетей на основе алгоритма для сегментации ядер клеток на флуоресцентных и гистологических изображениях StarDist. Для создания аннотированных фазово-контрастных изображений культуры клеток образцы окрашивали ядерным флуоресцентным красителем DAPI с последующей отбраковкой некачественных изображений при помощи классификации в программе Cellprofiler Analyst. Обучение модели на основе StarDist проводили на 1130 изображениях автоматически аннотированных ядер на фазово-контрастных изображениях культуры эпителиальных клеток респираторного тракта человека, полученных на объективе 10×, размером 1600×1200 пикселей и глубиной цвета 16 бит. Результаты исследования. Полученная модель показала хорошую точность (F1 = 0,765) сегментации ядер на валидационном наборе данных. Модель применили для определения времени удвоения популяции культуры эпителиальных клеток. Заключение: разработанный подход позволил создать аннотации и обучить модель машинного обучения для получения данных без применения флуоресцентных меток «label-free» на живых культурах клеток.