TransientTrack：基于暂态荧光信号的癌细胞高级多目标跟踪与分类

在时间序列视频中跟踪细胞是监控细胞群落在 single-cell 水平动态的 essential 技术。当前的细胞跟踪方法是在大多数具有单一、恒定信号的视频上开发的，不会检测关键事件，如细胞死亡。在本文中，我们提出了 TransientTrack，一个基于深度学习的框架，用于多通道显微镜视频数据中的细胞跟踪，这些数据具有暂态荧光信号，信号随时间波动，遵循如细胞昼夜节律等过程。通过识别关键细胞事件——细胞分裂 (cell division) 和凋亡 (cell death)，该方法允许我们构建完整的轨迹，包括细胞谱系信息。TransientTrack 轻量级且在细胞检测嵌入上直接进行匹配，无需对跟踪特定细胞特征进行量化。此外，我们的方法集成了 Transformer 网络、使用所有检测框进行多阶段匹配以及使用 Kalman Filter 对缺失 tracklet 进行插值。该统一框架在多样化条件下实现了强性能，有效地跟踪细胞并捕获细胞分裂和死亡。我们展示了 TransientTrack 在分析单细胞水平上荷尔蒙治疗药物疗效时的应用。该框架的提出可进一步推动癌细胞动力学的量化研究，使我们能够对治疗反应和抗药性机制进行详细表征。代码可在 https://github.com/bozeklab/TransientTrack 查阅。