卷积神经网络自动检测以实现二维和三维亚微米尺度颗粒追踪
定量方法
2018-10-09 v2
摘要
粒子追踪是一种强大的生物物理工具，需要将大型视频文件转换为位置时间序列，即用于数据分析的感兴趣物种的轨迹。当前的追踪方法基于一组有限的输入参数来识别明亮物体，难以处理复杂生物环境中亚微米物种通常表现出的时空异质性和低信噪比范围。经常需要大量用户参与来优化和执行追踪方法，这不仅效率低下，而且引入了用户偏差。为了开发完全自动化的追踪方法，我们开发了一个用于从图像数据进行粒子定位的卷积神经网络，其包含超过 6000 个参数，并采用机器学习技术在多样化的视频条件组合上训练该网络。该神经网络追踪器提供了前所未有的自动化和准确性，在二维和三维模拟视频以及难以追踪物种的二维实验视频上均具有极低的假阳性率和假阴性率。
引用
@article{arxiv.1704.03009,
title = {Convolutional neural networks automate detection for tracking of submicron scale particles in 2D and 3D},
author = {Jay M. Newby and Alison M. Schaefer and Phoebe T. Lee and M. Gregory Forest and Samuel K. Lai},
journal= {arXiv preprint arXiv:1704.03009},
year = {2018}
}