اكتشاف الخلايا وتتبعها يعتبران من الأهمية بمكان لتحليل الأحياء. تعتمد الطرق الحديثة على نموذج تتبع التطور (tracking-by-model evolution)، والذي يتألف عادةً من تدريب نماذج التعلم العميق من النهاية إلى النهاية لاكتشاف وتتبع الخلايا في الإطارات مع نتائج واعدة. ومع ذلك، فإن مثل هذه الطرق تتطلب كميات كبيرة من البيانات المُشَرَّحة، والتي تستغرق وقتًا طويلاً للحصول عليها وغالبًا ما تحتاج إلى مُشَرِّحين متخصصين. تقترح هذه الدراسة نهجًا جديدًا يستند إلى نموذج الاكتشاف ثم التتبع (tracking-by-detection) الكلاسيكي الذي يخفف من الحاجة إلى البيانات المشروحة. بدقة أكبر، يتم تقريب أشكال الخلايا كأقراص مستوية (oriented ellipses) ومن ثم استخدام كاشفات الأشياء ذات الغرض العام المستوية لاكتشاف الخلايا في كل إطار. بعد ذلك، نعتمد على خوارزمية ترابط البيانات العالمية التي تستكشف تشابه الخلية الزمني باستخدام مقاييس المسافة الاحتمالية، مع الأخذ في الاعتبار أن الأقراص المستوية مرتبطة بتوزيعات غاوسية ثنائية الأبعاد. تظهر نتائجنا أن طريقتنا يمكن أن تحقق نتائج اكتشاف وتتبع تنافسية مع التقنيات الرائدة التي تتطلب بيانات مشروحة بكثافة أكبر بكثير. رمز البرمجيات الخاص بنا متاح على الرابط التالي:https://github.com/LucasKirsten/Deep-Cell-Tracking-EBB.