Segment Anything 用于细胞追踪
计算机视觉与模式识别
2025-09-15 v1
摘要
在延时显微镜图像序列中追踪细胞并检测有丝分裂事件是生物医学研究中的一项关键任务。然而，由于分裂对象、低信噪比、不清晰的边界、密集的细胞团以及单个细胞在视觉上的相似外观，该任务仍然极具挑战性。现有的基于深度学习的方法依赖人工标注的数据集进行训练，既昂贵又耗时。此外，由于显微镜数据的巨大多样性，它们对未见数据集的泛化能力仍然有限。为了克服这些限制，我们提出了一种零样本细胞追踪框架，将 Segment Anything 2（SAM2）——一个为通用图像和视频分割设计的大型基础模型——集成到追踪流程中。作为一种完全无监督的方法，我们的方法不依赖或继承任何特定训练数据集的偏差，使其能够在无需微调的情况下泛化到各种不同的显微镜数据集。我们的方法在 2D 和大规模 3D 延时显微镜视频中均实现了具有竞争力的准确度，同时消除了对特定数据集适配的需求。
引用
@article{arxiv.2509.09943,
title = {Segment Anything for Cell Tracking},
author = {Zhu Chen and Mert Edgü and Er Jin and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2509.09943},
year = {2025}
}