Aug, 2023

大规模多假设细胞跟踪基于超指标轮廓映射

PDF
TL;DR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
发现论文，激发创造
  • 多模态细胞分割挑战：迈向通用解决方案

    细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过 1500 个带标签图像，来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

    Aug, 2023

  • 根据生物需求的细胞跟踪 - 带有随机有限集和伴随不确定性的强有力有且仅有有且仅有几种受精的跟踪器

    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

  • 4D 荧光显微镜图像中的多物体分割跟踪与深度特征图

    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

  • 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

  • 利用低层次线索的多模态图像细胞分割

    多模态显微图像的细胞分割仍然是一个挑战，为了解决这个问题，我们首先开发了一个基于细胞的低级图像特征的自动分类流程，然后训练了一个基于类别标签的分类模型。然后，我们针对每个类别训练了一个单独的分割模型，使用对应类别中的图像。此外，我们还部署了两种类型的分割模型，分别用于分割具有圆形和不规则形状的细胞。此外，为了增强分割模型的效率，我们采用了一种高效且强大的主干模型。在 NeurIPS 2022 Cell Segmentation Challenge 的调优集上评估，我们的方法达到了 F1 得分 0.8795，所有情况的运行时间都在时间容限范围内。

    Oct, 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

  • 多细胞追踪的联合多帧检测和分割

    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

  • Trackastra：基于 Transformer 的细胞跟踪技术用于活细胞显微镜

    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

  • 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

  • NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割

    本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

    Feb, 2021