Cell Tracking according to Biological Needs -- Strong Mitosis-aware Multi-Hypothesis Tracker with Aleatoric Uncertainty
作者: Timo Kaiser, Maximilian Schier, Bodo Rosenhahn
分类: cs.CV
发布日期: 2024-03-22 (更新: 2025-06-27)
备注: 19 pages, 7 figures, 6 tables. This work has been accepted to the IEEE for publication
💡 一句话要点
提出一种强大的有丝分裂感知多假设追踪器以解决细胞追踪问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 细胞追踪 有丝分裂感知 多假设追踪 运动估计 不确定性估计 生物图像分析
📋 核心要点
- 现有细胞追踪方法在长期一致性和谱系树重建方面存在不足，导致生物学分析的局限性。
- 本文提出了一种不确定性估计技术和有丝分裂感知的分配问题公式，以增强多假设追踪器的性能。
- 在九个数据集上的实验结果显示，本文方法在生物指标上显著优于现有技术，提升幅度约为6倍。
📝 摘要（中文）
细胞追踪和分割帮助生物学家从大规模显微镜时间序列数据中提取见解。当前的追踪方法往往因缺乏长期一致性和正确重建谱系树的能力而受到限制。为了解决这一问题，本文引入了一种运动估计框架的不确定性估计技术，并扩展了多假设追踪框架。我们的不确定性估计通过特定问题的测试时增强，将运动表示提升为概率空间密度。此外，我们提出了一种新颖的有丝分裂感知分配问题公式，使多假设追踪器能够建模细胞分裂，并基于长期冲突解决错误关联和有丝分裂检测。我们在九个竞争数据集上评估了我们的方法，结果表明在生物启发的指标上显著超越当前的最先进技术，提升幅度约为6倍，并揭示了运动估计不确定性行为的新见解。
🔬 方法详解
问题定义：本文旨在解决细胞追踪中的长期一致性和谱系树重建问题。现有方法往往依赖局部准确性指标，导致在细胞分裂和错误关联的处理上存在不足。
核心思路：我们提出了一种不确定性估计技术，通过将运动表示转化为概率空间密度，增强了运动估计的鲁棒性。同时，设计了有丝分裂感知的分配问题公式，以更好地处理细胞分裂和长期冲突。
技术框架：整体框架包括运动估计的不确定性估计模块和多假设追踪模块。运动估计模块通过特定的测试时增强技术生成概率密度，而多假设追踪模块则利用生物知识优化分配成本。
关键创新：本文的主要创新在于将不确定性估计引入运动估计框架，并通过有丝分裂感知的分配问题公式，显著提升了细胞追踪的准确性和一致性。与现有方法相比，能够更有效地处理细胞分裂和错误关联。
关键设计：在参数设置上，采用了基于生物学知识的分配成本设计，损失函数结合了运动估计的不确定性和细胞分裂的特征，确保了模型在复杂场景下的鲁棒性。实验中使用的网络结构经过优化，以适应多假设追踪的需求。
🖼️ 关键图片
📊 实验亮点
实验结果显示，本文方法在生物启发的指标上显著超越当前最先进技术，提升幅度约为6倍。这一成果不仅验证了方法的有效性，还揭示了运动估计不确定性的新见解，具有重要的研究价值。
🎯 应用场景
该研究在生物医学领域具有广泛的应用潜力，尤其是在细胞生物学和肿瘤研究中。通过提高细胞追踪的准确性和一致性，研究人员可以更好地理解细胞行为和发展过程，为疾病机制的研究提供重要支持。未来，该方法也可能扩展到其他生物图像分析任务中。
📄 摘要（原文）
Cell tracking and segmentation assist biologists in extracting insights from large-scale microscopy time-lapse data. Driven by local accuracy metrics, current tracking approaches often suffer from a lack of long-term consistency and the ability to reconstruct lineage trees correctly. To address this issue, we introduce an uncertainty estimation technique for motion estimation frameworks and extend the multi-hypothesis tracking framework. Our uncertainty estimation lifts motion representations into probabilistic spatial densities using problem-specific test-time augmentations. Moreover, we introduce a novel mitosis-aware assignment problem formulation that allows multi-hypothesis trackers to model cell splits and to resolve false associations and mitosis detections based on long-term conflicts. In our framework, explicit biological knowledge is modeled in assignment costs. We evaluate our approach on nine competitive datasets and demonstrate that we outperform the current state-of-the-art on biologically inspired metrics substantially, achieving improvements by a factor of approximately 6 and uncover new insights into the behavior of motion estimation uncertainty.