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

Mar, 2024

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

Cell Tracking according to Biological Needs -- Strong Mitosis-aware Random-finite Sets Tracker with Aleatoric Uncertainty

PDF

Timo Kaiser, Maximilian Schier, Bodo Rosenhahn

TL;DR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。

Abstract

cell tracking and segmentation assist biologists in extracting insights from large-scale microscopy time-lapse data. Driven by local accuracy metrics, current tracking approaches often suffer from a lack of long-

cell tracking segmentation uncertainty estimation mitosis-aware assignment problem tracking-by-regression uncertainty

发现论文，激发创造

使用深度贝叶斯回归密度图进行不确定性感知细胞检测的概率空间分析在定量显微镜中

本文提出了一种基于深度学习的细胞检测方法，通过使用贝叶斯方法来构建具有不确定性的密度图，并学习映射到概率空间的方法，实现了对大型显微镜图像的检测和精确定位。同时，还介绍了一种蒙特卡罗抽样的概率空间分析，可用于测试生物学假设的空间分布，并发现了原来无法检测到的空间模式。

Feb, 2021

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

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

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

基于椭圆边界框的细胞跟踪方法

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

使用点标注技术的细胞端到端识别

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

基于轨迹和细胞命运信息的细胞身份预测

利用机器学习方法，我们提出了一种创新的方法来在早期 C. elegans 胚胎发育期间对细胞进行识别，通过利用细胞轨迹和细胞命运等少量时间空间特征，我们的模型能够在有限数据下实现 90% 以上的准确率，并能解释最重要的特征对生物知识的意义。

Jan, 2024