基于深度学习的细胞追踪方法，通过细胞的时空领域实现准确追踪，并能学习细胞的运动模式，适用于处理大量带有重要特征的视频帧。

Aug, 2023

本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

Oct, 2019

本论文使用 FoCasNet 实现了一种基于注意力机制、标准化方法和混合锚定分支的级联神经网络，旨在提高 宫颈癌病理中有关癌细胞核分裂数检测的效率和准确性，并在公共数据集 ICPR 2012 上取得了当前最高的 F1-Score (0.888)。

Jan, 2023

细胞追踪和分割是从大规模显微镜时间序列数据中提取洞见所必需的。本文引入了一种不确定性估计技术，将其整合到我们的新颖的扩展 Poisson 多伯努利混合追踪器中，以解决当前追踪方法长期一致性不足的问题。我们的方法在九个竞争数据集上评估，证明在生物相关指标上表现优于当前的最新技术，并实现了约 5.75 倍的改进。此外，我们还揭示了关于追踪 - by-regression 不确定性行为的新见解。

Mar, 2024

利用 DistNet2D 模型进行细胞分割和跟踪的研究，该模型利用长期的时间背景信息来提高分割准确性，取得了在两组实验数据上比现有方法更好的性能，最终将其应用于细胞形态与运输属性的相关性研究。

Oct, 2023

本文提出一种基于深度学习的有限标注序列的有丝分裂检测方法，通过生成完全标记数据集并训练模型，实现了优于其他部分标记序列的性能。

Jul, 2023

本文提出了一种名为 “运动与位置图”（Motion and Position Map，MPM）的细胞追踪方法，它可以同时表示检测和关联过程并保证任务间的连贯性，这是一种多目标跟踪密集环境下的简单但强大的方法。在真实的生物图像数据下，我们将该方法与当前跟踪方法进行了比较并发现它在各种条件下都表现优异，比第二好的方法提高了 5.2%。

Feb, 2020

通过分割选择方法实现大规模三维细胞追踪，该方法在两个方面对大规模显微数据集中的细胞追踪问题具有有效性：（i）能够解决拥有数百万分割实例的 TB 级三维时间数据集的问题；（ii）能够在不依赖稀缺的三维标注数据的情况下与使用深度学习的方法达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。证明该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。此外，我们的框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。代码可以在此链接中找到：https:// 此链接网址

Aug, 2023

本文提出了一种基于 3D 分割结果的多目标跟踪方法，该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分，该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。

Nov, 2019

本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 2024