摘要
在生物医学研究中，显微图像序列中细胞的精确分割与追踪是一项关键任务，例如用于研究组织、器官乃至整个生物体的发育过程。然而，在信噪比低的图像中对相互接触的细胞进行分割，仍然是一个具有挑战性的问题。本文提出了一种用于显微图像中接触细胞分割的新方法。该方法基于一种受距离图启发的新型细胞边界表示方式，能够有效利用训练过程中接触细胞以及邻近细胞的信息。此外，该表示方法对标注误差具有较强的鲁棒性，并在训练数据中包含较少或未包含的细胞类型时，仍表现出良好的分割性能。为预测所提出的邻近距离，我们采用了一种改进的U-Net卷积神经网络（CNN），其具有两条解码路径。此外，我们对一种基于图的细胞追踪算法进行了适配，用于评估所提方法在细胞追踪任务中的表现。该改进的追踪算法在代价函数中引入了运动估计机制，可实现对短时间序列中因缺失分割掩码而中断的轨迹进行重新关联。所提出的“检测-追踪”联合方法在IEEE ISBI 2020细胞追踪挑战赛（http://celltrackingchallenge.net/）中展现了显著潜力，作为KIT-Sch-GE团队，我们在多个数据集上取得了三项前三名的成绩，其中两次以单一分割模型实现了最优表现。