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
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
该论文提出了一种基于实例特异的物体质量度量生成优质提案的目标跟踪方法,并通过更新物体模型及学习提议的重排序来减少困难背景干扰物,以提高跟踪系统的鲁棒性,该方法在常见的跟踪基准测试中,性能优异,在快速运动物体以及超低帧率视频中表现出强大的鲁棒性。
Jul, 2015
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
本文介绍了一种基于点的细胞检测和分类框架,该框架采用了直接回归和分类方法,并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明,该方法在在免疫组织化学图像的分析中有着较高的准确性和效率,并具有较高的协助病理学家评估的潜力。
Jul, 2022
本文提出了一种弱监督方法,可以在密集条件下分割相互接触、边界不清的单个细胞区域,无需单独的训练数据,通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。
Nov, 2019
本文提出了一种基于关键点检测的、基于框的细胞实例分割方法,它将细胞检测问题转化为关键点检测问题,再结合检测框及特征图进行细胞分割,相较于其他实例分割技术表现出更好的性能。
Jul, 2019
本文提出了一种新的算法,使用椭圆拟合来估计带有分割(掩膜)的目标的边界框旋转角度和大小,即 SiamMask_E 算法,在保持快速跟踪帧率 (80 fps) 的前提下,改善了现有 SiamMask 算法的边框拟合过程。在使用旋转边框标记的视觉对象跟踪数据集上测试,与原始 SiamMask 相比,我们实现了 0.652 和 0.309 的提升 EAO 的精度,在 VOT2019 上分别比原始 SiamMask 高 0.056 和 0.026。
本文研究了利用卷积神经网络实现细胞和细胞核在显微镜图像中的自动检测和分割,并结合星形多边形对细胞核进行定位,避免边界交叉和形状的偏差带来的分割错误的影响。研究结果表明该方法在合成数据集和荧光显微镜图像分割上有很好的效果。
Jun, 2018
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