利用时间对称的深度学习方法增强细胞跟踪
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
利用简单的 Transformer 架构直接学习细胞在时间窗口内的成对关联,从而提出一种通用的细胞跟踪方法,该方法能够在各种生物数据集(如细菌、细胞培养和荧光颗粒等)中表现与优化过的最先进细胞跟踪算法相媲美或更好,且能够避免复杂的关联步骤。
May, 2024
本研究提出了一种基于 Transformer 机制的新型循环神经网络单元,该单元能够利用序列传感器录音中的时空相关性,并跟踪对象编码,以获取场景动态和回归速度,并根据提取的速度估计将循环神经网络的内存状态进行投影,以解决空间和时间不对齐的问题。
Jun, 2023
该研究论文提出了一种新的基于经典检测跟踪模式的细胞检测和跟踪方法,通过将细胞形状近似为有方向的椭圆并利用通用有方向对象检测器在每一帧中识别出细胞,再结合全局数据关联算法进行跟踪,结果表明该方法在细胞检测和跟踪方面与需要更多数据标注的最先进技术具有竞争力。
Oct, 2023
提出了一种基于图神经网络的细胞追踪方法,通过对细胞实例进行建模和关联,提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新,最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在 2D 和 3D 数据集上的实验结果表明其优于目前大部分细胞追踪方法,在细胞追踪和突出细胞形态变化上具有优势。
Feb, 2022
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
本文介绍了一种利用 UNet 进行多细胞跟踪的方法,提出了一种检测和细胞分割相结合的解决方案来解决高密度细胞群分割难题,并提高了检测细胞有丝分裂的能力,实验结果表明其优于当前最先进的方法。
Jun, 2019
提出了一种名为 LodeSTAR 的新型深度学习方法,可以在单个未标记的实验图像中学习以亚像素级精度跟踪对象。 该算法利用了数据的旋转平移对称性,并扩展了可测量的粒子属性,可以加速高质量的微观分析流水线的发展。
Feb, 2022
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
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