用于稠密3D显微镜视频中细菌生物膜细胞追踪的深度时序序列分类与数学建模
图像与视频处理
2024-07-08 v2 机器学习
摘要
在稠密环境中进行自动细胞追踪，常常导致不准确的对应关系和误识别父母关系。在本文中，我们提出了一种名为DenseTrack的新型细胞追踪算法，将深度学习与数学模型策略相结合，以有效地在连续帧之间建立对应关系并检测稠密场景中的细胞分裂事件。我们将细胞追踪问题形式化为深度学习驱动的时序序列分类任务，随后求解以受限的一对一匹配优化问题，利用分类器的置信度得分。此外，我们提出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。该方法的性能通过在稠密细胞3D时间序列显微图像中进行追踪进行评估。在模拟及实验荧光图像序列上的实验结果表明，所提出的跟踪方法在定性和定量评估指标上均优于最近的先进细胞追踪方法。
引用
@article{arxiv.2406.19574,
title = {Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms},
author = {Tanjin Taher Toma and Yibo Wang and Andreas Gahlmann and Scott T. Acton},
journal= {arXiv preprint arXiv:2406.19574},
year = {2024}
}