Zellverfolgung durch Detektion mit elliptischen Begrenzungsrahmen

Zellerkennung und -verfolgung sind von entscheidender Bedeutung für die Bioanalyse. Neuere Ansätze basieren auf dem Paradigma der Verfolgung durch Modellentwicklung, das in der Regel darin besteht, End-to-End-Tiefenlernmodelle zu trainieren, um Zellen in Bildsequenzen zu erkennen und zu verfolgen, wobei vielversprechende Ergebnisse erzielt werden. Allerdings erfordern solche Methoden große Mengen an annotierten Daten, die zeitaufwendig zu beschaffen sind und oft spezialisierte Annotatoren benötigen. In dieser Arbeit wird ein neuer Ansatz vorgeschlagen, der auf dem klassischen Paradigma der Verfolgung durch Erkennung basiert und die Notwendigkeit von annotierten Daten reduziert. Genauer gesagt approximiert dieser Ansatz die Zellformen als orientierte Ellipsen und verwendet dann allgemeine orientierte Objekterkennungsmodelle, um die Zellen in jedem Frame zu identifizieren. Anschließend stützen wir uns auf einen globalen Datenzuordnungsalgorithmus, der zeitliche Ähnlichkeiten zwischen den Zellen unter Verwendung von Wahrscheinlichkeitsdistanzmetriken untersucht, wobei angenommen wird, dass die Ellipsen sich auf zweidimensionale Gauß-Verteilungen beziehen. Unsere Ergebnisse zeigen, dass unsere Methode Detektions- und Verfolgungsergebnisse erzielen kann, die mit den besten aktuellen Techniken konkurrieren können, obwohl diese deutlich größere Mengen an annotierten Daten erfordern. Unser Code ist unter folgender URL verfügbar: https://github.com/LucasKirsten/Deep-Cell-Tracking-EBB.