基于弱监督学习与图优化的全胚胎秀丽隐杆线虫谱系追踪
计算机视觉与模式识别
2022-08-25 v1 机器学习
摘要
在含噪且密集的荧光显微数据中追踪胚胎所有细胞核是一项具有挑战性的任务。我们基于一种近期提出的细胞核追踪方法，该方法将来自少量细胞核中心点标注的弱监督学习与用于最优细胞谱系提取的整数线性规划（ILP）相结合。我们的工作专门解决C. elegans胚胎记录中的以下挑战特性：（1）与其他生物的基准记录相比，存在大量细胞分裂；（2）存在极易被误认为细胞核的极体。针对（1），我们设计并引入了学习型细胞分裂检测器。针对（2），我们采用了学习型极体检测器。我们进一步提出通过结构化SVM自动调优ILP权重，从而避免了繁琐的手动网格搜索设置。我们的方法在Fluo-N3DH-CE胚胎数据集上优于此前细胞追踪挑战赛的领先者。我们报告了在另外两个C. elegans数据集上的进一步广泛定量评估。我们将公开这些数据集，作为未来方法开发的扩展基准。我们的结果表明该方法带来了显著改进，尤其在分裂事件检测的正确性以及完全正确追踪段的数量和长度方面。代码：https://github.com/funkelab/linajea
引用
@article{arxiv.2208.11467,
title = {Tracking by weakly-supervised learning and graph optimization for whole-embryo C. elegans lineages},
author = {Peter Hirsch and Caroline Malin-Mayor and Anthony Santella and Stephan Preibisch and Dagmar Kainmueller and Jan Funke},
journal= {arXiv preprint arXiv:2208.11467},
year = {2022}
}
备注
Accepted at MICCAI 2022, Code: https://github.com/funkelab/linajea