高密度显微数据中样条的快速检测

借助通用深度学习技术，生物显微数据的计算机辅助分析取得了巨大进步。然而，在多生物机体系统的显微研究中，碰撞与重叠问题仍然具有挑战性。对于由细长体构成的系统而言尤其如此，例如爬行线虫、游动精子，或真核与原核鞭毛的摆动。在此，我们开发了一种新颖的端到端深度学习方法，用于提取一般可运动且相互重叠的样条的精确形状轨迹。我们的方法适用于难以定义和检测特征关键点的低分辨率环境。检测速度很快，并且我们展示了同时追踪数千个重叠生物体的能力。尽管我们的方法对应用领域不敏感，但我们在爬行秀丽隐杆线虫的密集实验中呈现并例证了其可用性。模型训练完全在合成数据上完成，利用了基于物理的线虫运动模型，并且我们展示了模型从仿真推广到实验视频的能力。