La détection et le suivi des cellules sont essentiels pour la bio-analyse. Les approches récentes s'appuient sur le paradigme du suivi par évolution de modèle, qui consiste généralement à entraîner des modèles d'apprentissage profond de bout en bout pour détecter et suivre les cellules dans les images avec des résultats prometteurs. Cependant, ces méthodes nécessitent de grandes quantités de données annotées, ce qui est fastidieux à obtenir et souvent requiert des annotateurs spécialisés. Cette étude propose une nouvelle approche basée sur le paradigme classique du suivi par détection, qui atténue l'exigence de données annotées. Plus précisément, elle approxime les formes cellulaires par des ellipses orientées, puis utilise des détecteurs d'objets orientés génériques pour identifier les cellules dans chaque image. Nous nous appuyons ensuite sur un algorithme global d'association de données qui explore la similarité temporelle des cellules en utilisant des métriques de distance probabiliste, en considérant que les ellipses correspondent à des distributions gaussiennes bidimensionnelles. Nos résultats montrent que notre méthode peut atteindre des performances de détection et de suivi comparables à celles des techniques les plus avancées actuellement disponibles, qui nécessitent des annotations de données beaucoup plus importantes. Notre code est disponible à l'adresse suivante : https://github.com/LucasKirsten/Deep-Cell-Tracking-EBB.