Detecting and tracking cells in microscopic images using oriented representations
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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>. |
id |
URGS_76fe0e0ada24df95d159ff989d492335 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/262705 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Kirsten, Lucas NedelJung, Claudio Rosito2023-07-28T03:36:07Z2023http://hdl.handle.net/10183/262705001174159Detecção 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>.Cell detection and tracking are paramount for bio-analysis. Recent approaches rely on the tracking by model evolution paradigm, which usually consists of training end-to-end deep learning models to detect and track the cells on the frames with promising results. However, such methods require extensive amounts of annotated data, which is time consuming and often requires specialized annotators. This work proposes a new approach based on the classical tracking-by-detection paradigm that alleviates the requirement of annotated data. More precisely, it approximates the cell shapes as oriented ellipses and then uses general-purpose oriented object detectors to identify the cells in each frame. We then rely on a global data association algorithm that explores temporal cell similarity using probability distance metrics, considering that the ellipses relate to two-dimensional Gaussian distributions. Our results show that our method can achieve detection and tracking results competitively with SOTA techniques that require considerably more extensive data annotation. Our code is available at: <https://github.com/LucasKirsten/ Deep-Cell-Tracking-EBB>.application/pdfengDetecção : objetos orientadosRastreamento de célulasBioanáliseAprendizado profundoOriented object detectionCell detectionCell trackingDetecting and tracking cells in microscopic images using oriented representationsDetecção e rastreamento de células em imagens microscópicas usando representação orientada info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2023mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001174159.pdf.txt001174159.pdf.txtExtracted Texttext/plain125788http://www.lume.ufrgs.br/bitstream/10183/262705/2/001174159.pdf.txt1357df5629a7d3b9541446350dd392d6MD52ORIGINAL001174159.pdfTexto completo (inglês)application/pdf10057462http://www.lume.ufrgs.br/bitstream/10183/262705/1/001174159.pdf9eb22842a6896a83cc02418ec818620fMD5110183/2627052023-07-29 03:35:44.764154oai:www.lume.ufrgs.br:10183/262705Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-07-29T06:35:44Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Detecting and tracking cells in microscopic images using oriented representations |
dc.title.alternative.pt.fl_str_mv |
Detecção e rastreamento de células em imagens microscópicas usando representação orientada |
title |
Detecting and tracking cells in microscopic images using oriented representations |
spellingShingle |
Detecting and tracking cells in microscopic images using oriented representations Kirsten, Lucas Nedel Detecção : objetos orientados Rastreamento de células Bioanálise Aprendizado profundo Oriented object detection Cell detection Cell tracking |
title_short |
Detecting and tracking cells in microscopic images using oriented representations |
title_full |
Detecting and tracking cells in microscopic images using oriented representations |
title_fullStr |
Detecting and tracking cells in microscopic images using oriented representations |
title_full_unstemmed |
Detecting and tracking cells in microscopic images using oriented representations |
title_sort |
Detecting and tracking cells in microscopic images using oriented representations |
author |
Kirsten, Lucas Nedel |
author_facet |
Kirsten, Lucas Nedel |
author_role |
author |
dc.contributor.author.fl_str_mv |
Kirsten, Lucas Nedel |
dc.contributor.advisor1.fl_str_mv |
Jung, Claudio Rosito |
contributor_str_mv |
Jung, Claudio Rosito |
dc.subject.por.fl_str_mv |
Detecção : objetos orientados Rastreamento de células Bioanálise Aprendizado profundo |
topic |
Detecção : objetos orientados Rastreamento de células Bioanálise Aprendizado profundo Oriented object detection Cell detection Cell tracking |
dc.subject.eng.fl_str_mv |
Oriented object detection Cell detection Cell tracking |
description |
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>. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-07-28T03:36:07Z |
dc.date.issued.fl_str_mv |
2023 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/262705 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001174159 |
url |
http://hdl.handle.net/10183/262705 |
identifier_str_mv |
001174159 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/262705/2/001174159.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/262705/1/001174159.pdf |
bitstream.checksum.fl_str_mv |
1357df5629a7d3b9541446350dd392d6 9eb22842a6896a83cc02418ec818620f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085623756750848 |