基于候选生成与选择的细胞追踪
计算机视觉与模式识别
2017-05-10 v1
摘要
显微镜成像在理解发育和疾病中的许多生物过程中起着至关重要的作用。显微镜自动化以及活细胞成像方法和标记物的发展，导致所捕获图像数据量快速增长。为了从这些捕获的序列中高效可靠地提取有用信息，自动细胞追踪至关重要。这是一个具有挑战性的问题，因为细胞的外观和形状差异很大，取决于许多因素，包括成像方法、细胞的生物学特性、细胞基质组成、标记方法等。通常细胞追踪方法需要特定于序列的分割方法和许多追踪参数的手动调整，这限制了它们对设计目标之外序列的适用性。在本文中，我们提出 1) 一种基于深度学习的细胞候选方法，该方法提出细胞候选及其分数，以及 2) 一种细胞追踪方法，该方法在图形模型中使用表示不同细胞事件的边来连接相邻帧中的候选，并将联合细胞检测与追踪表示为对细胞和边候选子集的选择。我们的方法完全自动化，给定足够训练数据可应用于多种显微镜序列。我们在来自 ISBI 细胞追踪挑战赛的多个包含不同形状和外观细胞的荧光和相差显微镜序列上评估了我们的方法，并表明我们的方法优于现有的细胞追踪方法。代码可从 https://github.com/SaadUllahAkram/CellTracker 获取。
引用
@article{arxiv.1705.03386,
title = {Cell Tracking via Proposal Generation and Selection},
author = {Saad Ullah Akram and Juho Kannala and Lauri Eklund and Janne Heikkilä},
journal= {arXiv preprint arXiv:1705.03386},
year = {2017}
}