实例级微管追踪

我们提出了一种利用循环注意力对延时图像序列进行实例级微管（MT）追踪的新方法。我们的新型深度学习算法在每一帧中分割出单个微管。利用连续帧的分割结果建立微管之间的对应关系，最终为每根微管生成贯穿各帧的独特路径轨迹。基于这些轨迹，我们估计微管速度。为验证所提技术，我们使用真实与仿真数据进行了实验。在仿真数据中，我们利用微管滑行实验真实延时序列导出的统计量来模拟逼真的微管延时图像序列。该数据集用作我们网络在真实数据上训练之前的预训练与超参数优化。实验结果表明，所提监督学习算法将微管实例速度估计的精度从基线结果（29.3%）大幅提升至71.3%。我们还展示了将时间信息引入深度网络如何将假阴性率从67.8%（基线）降低至28.7%（所提方法）。本工作的发现有望帮助生物学家刻画微管的空间排布，特别是微管-微管相互作用的效应。