基于尺度选择和机器学习的细胞细分和追踪时间间隔显微镜

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 显微镜 图像分析

背景情况:

• 手动细胞追踪是耗时的,缺乏可复制性.
• 自动化细胞跟踪面临着强度变化和分辨率限制的挑战.

研究的目的:

• 为自动化细胞细分和跟踪开发一个全面的方法.
• 提高细胞运动分析的准确性和通用性.

主要方法:

• 利用多尺度的时空感兴趣点检测用于自动尺度选择和细分.
• 采用神经网络与类原型平衡用于细胞区域检测.
• 应用基于图形的框架用于轨道生成和细胞事件检测.

主要成果:

• 拟议的方法在细胞追踪挑战 (CTC) 中表现出与顶级技术相比的竞争性表现.
• 在多种细胞类型,大小和成像方式中实现了优异的概括.
• 通过对时间间隔显微镜序列的严格评估来验证.

结论:

• 开发的方法为自动化细胞细分和跟踪提供了有效和强大的解决方案.
• 为疾病机制研究和治疗评估提供了宝贵的工具.
• 公开可用的代码有助于更广泛的采用和进一步开发.