用于非侵入性毛细管镜视频自动血细胞计数的深度学习双向时间跟踪算法

斜背照毛细管镜技术近来被引入作为一种在人体毛细血管中进行高质量、非侵入性血细胞成像的方法。为使该技术在临床血细胞计数中实用化，需要针对所获取视频的自动处理方案。在此，我们朝此目标迈出第一步，引入一种名为CycleTrack的深度学习多细胞跟踪模型，其从毛细管镜视频中实现准确的血细胞计数。CycleTrack结合了SORT与CenterTrack两种简单在线跟踪模型，并针对毛细管血细胞流的特征进行了定制。血细胞通过连续帧间两个相反时间方向（前向与后向跟踪）的位移向量进行跟踪。尽管血细胞快速运动且变形，该方法仍实现准确跟踪。所提模型优于其他基线跟踪器，在测试视频上取得65.57%的多目标跟踪准确率与73.95%的ID F1分数。与人工血细胞计数相比，CycleTrack在8段各1000帧的测试视频中取得96.58$\pm$2.43%的计数准确率，而独立CenterTrack与SORT分别为93.45%和77.02%，且几乎无额外时间开销。其用800秒从典型一分钟视频捕获的9,600帧中跟踪并计数约8,000个血细胞。此外，CycleTrack测得的血细胞速度在心率生理范围内呈现一致的脉动模式。最后，我们讨论了CycleTrack框架的未来改进，将使斜背照显微镜能够实现实时、非侵入性床旁血细胞计数与分析技术的临床转化。