用于显微视频细胞追踪的图神经网络

我们提出了一种新颖的图神经网络（GNN）方法，用于高通量显微视频中的细胞追踪。通过将整个延时序列建模为一个有向图，其中细胞实例由其节点表示，细胞间的关联由其边表示，我们通过寻找图中的最大路径来提取完整的细胞轨迹集。这一过程通过集成到端到端深度学习框架中的若干关键贡献得以实现。我们利用深度度量学习算法提取细胞特征向量，以区分不同生物细胞的实例并聚合相同细胞的实例。我们引入了一种新的GNN模块类型，该模块能够实现节点与边特征向量的相互更新，从而促进底层的消息传递过程。消息传递概念（其范围由GNN模块的数量决定）至关重要，因为它使得信息能够在节点和边之间流动，远超其在连续帧中的邻居范围。最后，我们解决了一个边分类问题，并利用识别出的活跃边来构建细胞的轨迹和谱系树。通过将该方法应用于不同细胞类型、成像设置和实验条件下的二维和三维数据集，我们展示了所提出的细胞追踪方法的优势。结果表明，我们的框架在大多数评估数据集上优于当前最先进的方法。代码可在我们的仓库获取：https://github.com/talbenha/cell-tracker-gnn。