Jun, 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

PDF
TL;DR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。
automatic cell trackingdense environmentsdeep learningmathematical modelcell division detection
发现论文，激发创造
  • 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

  • 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

  • DistNet2D：利用远程时间信息进行高效分割和跟踪

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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