CVPRNov, 2019

4D 荧光显微镜图像中的多物体分割跟踪与深度特征图

PDF
TL;DR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%。
3d fluorescence microscopybiomedical researchprotein object trackingsegmentationdeep feature maps
发现论文，激发创造
  • 三维荧光显微镜图像合成和分割

    本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

    Jan, 2018

  • 细胞在细菌生物膜的稠密三维显微视频中的深度时间序列分类与数学建模

    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

  • 学习可变形的三维图形相似性以追踪未对齐的时间序列图像中的植物细胞

    通过利用植物细胞的紧密三维结构创建三维图，本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪，同时提出了细胞分裂检测和有效的三维注册算法，改进了当前最先进的算法，并在基准数据集上展示了算法的效能。

    Sep, 2023

  • 大规模多假设细胞跟踪基于超指标轮廓映射

    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

  • 界定边界：显微图像中细胞识别的挑战和进展

    细分、测量和分析细胞图像的关键步骤在于对象分割。深度学习基于的工具在该领域中逐渐取得了主导地位，以 Cellpose 为代表的专业模型在准确性和用户友好性方面不断提升，多模态细胞分割挑战推动了准确性、效率和可用性方面的创新。文档、共享和评估标准的日益重视加快了朝着真正通用方法的目标迈进。

    Nov, 2023

  • ProGroTrack: 深度学习辅助下的细胞内蛋白质生长动态跟踪

    介绍了一种追踪细胞和亚细胞结构及其动态变化的新方法 ——ProGroTrack，它结合了 YOLO 和 ByteTrack 算法来追踪细胞内蛋白纳米结构，并在 iPAK4 蛋白纤维上进行了案例研究，验证了该技术的优越性，通过半监督学习进一步提高了检测性能，成功地应用于 iPAK4 蛋白纤维的生长行为跟踪，展示了该方法在精确追踪细胞动态过程方面的前景和应用潜力。

    May, 2023

  • 基于深度学习的合成双光子显微图像中纳米粒子定位

    本研究通过开发 2PM 图像模拟器来解决药物输送研究中单分子追踪的困难问题，为提高定位精度，提出了基于数据驱动模型的训练方法，并阐述了传统强度基础定位方法的不足。

    Mar, 2023

  • 重力细胞检测与荧光显微镜数据跟踪

    基于引力场的新方法在荧光显微镜图像中进行自动细胞检测、分割和跟踪，可与现代机器学习模型竞争并潜在地超越其性能。

    Dec, 2023

  • 利用时间对称的深度学习方法增强细胞跟踪

    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

  • 机械和周期一致性损失下的无监督细胞轮廓跟踪

    提出了一种基于深度学习的细胞轮廓跟踪方法，使用无监督学习实现了机械和周期性一致性损失函数来训练轮廓跟踪器，对相位对比和共聚焦荧光显微镜拍摄的两个数据集进行了稀疏跟踪点标记以得到定量评估结果，其轮廓跟踪器比其他方法表现更好且产生更优质的结果。

    Mar, 2023