DistNet：基于位移回归的深度追踪及其在母机中细菌生长的应用

母机是一种流行的微流控装置，可通过显微镜对数千个细胞进行长期延时并行成像。它已成为在单细包水平定量分析和表征许多细胞过程（如基因表达与调控、突变发生或抗生素响应）的有价值工具。此类实验产生的海量数据的自动化定量分析目前是限制步骤。特别是以与高通量数据相容的错误率对相衬显微镜下的细菌细胞进行分割与追踪是一个具有挑战性的问题。本工作中，我们描述了一种多目标追踪问题的新公式，其中追踪通过对细菌位移的回归执行，允许同时追踪多个细菌，尽管它们随时间生长和分裂。我们的方法联合执行分割与追踪，利用序列信息提高分割精度。我们引入了利用自注意力机制的深度神经网络架构，其产生了极低的追踪错误率与分割错误率。我们展示了相比最先进方法的优越性能与速度。我们的方法命名为 DiSTNet，代表 DISTance+DISplacement Segmentation and Tracking Network（距离+位移分割与追踪网络）。虽然该方法特别适用于母机显微镜数据，其通用的联合追踪与分割公式可应用于许多其他具有不同几何形状的问题。