Detecting and tracking cells in microscopic images using oriented representations

• Autor(a) principal: Kirsten, Lucas Nedel
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/262705
• topic: Detecção : objetos orientados; Rastreamento de células; Bioanálise; Aprendizado profundo; Oriented object detection; Cell detection; Cell tracking

Detecção e rastreamento de células são fundamentais para a bioanálise. Abordagens recentes se baseiam no paradigma de rastreamento por evolução de modelo, que geralmente consiste em treinar modelos de aprendizado profundo de ponta a ponta para detectar e rastrear as células nos quadros obtendo resultados promissores. No entanto, tais méto dos requerem grandes quantidades de dados anotados, que são demorados para serem obtidos e muitas vezes requerem anotadores especializados. Este trabalho propõe uma nova abordagem baseada no paradigma clássico de rastreamento por detecção que ali via a necessidade de dados anotados. Mais precisamente, ela aproxima as formas das células como elipses orientadas e, em seguida, usa detectores de objetos orientados de propósito geral para identificar as células em cada quadro. Utilizamos então um algoritmo de associação global de objetos que explora a similaridade temporal das células usando métricas de distância de probabilidade, considerando que as elipses se referem a distri buições gaussianas bidimensionais. Nossos resultados mostram que nosso método pode alcançar resultados de detecção e rastreamento competitivos com técnicas estado-da-arte que exigem consideravelmente mais anotações de dados. Nosso código está disponível em: <https://github.com/LucasKirsten/Deep-Cell-Tracking-EBB>.