学习可变形的三维图形相似性以追踪未对齐的时间序列图像中的植物细胞
原文中文,约300字,阅读约需1分钟。发表于: 。通过利用植物细胞的紧密三维结构创建三维图,本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪,同时提出了细胞分裂检测和有效的三维注册算法,改进了当前最先进的算法,并在基准数据集上展示了算法的效能。
该研究提出了一种通过分割选择方法实现大规模三维细胞追踪的方法,能够解决数百万分割实例的三维时间数据集的问题,并且不依赖稀缺的三维标注数据,达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割,并通过最大化相邻帧之间的重叠来选择不相交的分割。该方法在细胞追踪挑战中实现了最先进的结果,并且拥有更快的整数线性规划公式。该框架灵活性强,支持来自现成细胞分割模型的分割,并能够将它们组合成一个提高追踪效果的整体。