论文笔记之《Cell Tracking via Proposal Generation and Selection》

左手的ㄟ右手 2022-06-03 03:50 238阅读 0赞

论文下载链接为：  
[https://link.springer.com/search?query=Cell+tracking+via+Structured+Prediction+and+Learning][https_link.springer.com_search_query_Cell_tracking_via_Structured_Prediction_and_Learning]  
如果有下载不了的同学找小鱼，小鱼可以分享文档给你。  
这篇论文的特点在于：  
特点1、增加了一个分割层来产生分割掩码，得到更精确的cell proposal。  
小鱼看了很久才明白分割掩码到底是什么，小鱼认为分割掩码和类别预测很重要，是为每个类别分别预测一个二元掩码，对物体进行像素级别的分割提取，对目标的空间布局有一个更加精确的提取，对每个RoI都生成了一个二元掩码。如果还有不懂的可以参照这篇博客： [Mask R-CNN论文解读][Mask R-CNN]  
![这里写图片描述][SouthEast]  
这个网络结果包括两部分：  
1）Bounding box network  
所有的卷积步幅为1，所有的最大池化为3\*3步幅为2，图中上半部分过程为：  
input – conv1(7\*7 ) – max-pooling(3\*3) – conv2(5\*5 ) – max-pooling – conv3(3\*3) – conv4(3\*3) – conv5(3\*3) – conv(6K)  
这个网络的扩展为将原来RPN的全连接层改为全卷积层，其中包括2K score和4K bbox，最后用非极大值抑制NMS，设置IoU=0.8得到候选边界框。  
2）Segmentation network  
该网络包括两部分：  
a、所有的卷积层都用3\*3的步幅为1的卷积核，所有的最大池化用3\*3步幅为1，图中下半部分过程为：  
input - conv1 - max-pooling - conv2 - maxpooling - conv3 - maxpooling - conv4 - deconv - deconv - deconv - conv5 - pooling - fc - fc  
该过程中的扩展为：五层卷积，conv1、conv2、conv3、conv4提取不同深度的特征图，得低细及高粗信息。接着conv2、conv3、conv4反卷积再相加得到和输入相同分辨率的特征图；conv5可在所有的候选边界框得到共享，同时conv5后的pooling相当于resize conv5的特征图，为每个候选框提取固定大小的特征图来预测分割掩码。mask是通过crop GT分割图来获取的。  
特点2：用有向无环图来表示细胞跟踪。  
![这里写图片描述][SouthEast 1]  
上部分表示一个GT图，包括了细胞运动的所有过程：出现，有丝分裂，移动，消失，死亡。  
下部分图主要是用来表示选择子图的过程，所以细胞跟踪问题转换为选择最大可能性子图的问题，选择公式为：  
![这里写图片描述][SouthEast 2]  
因为图形模型中的提议节点：G，有与它们相关的代价，这取决于该建议节点为细胞的可能性。所以为每个边界都设置了特征集表示方式：  
a、对于移动边界：  
训练一个随机森林分类器，在测试集序列中用于对移动边界设置权重值，对移动边界进行分类的特征集包括：  
![这里写图片描述][SouthEast 3]  
b、对于有丝分裂边界：  
训练一个随机的森林分类器，用于对有丝分裂边缘进行打分的特征集包括:  
![这里写图片描述][SouthEast 4]  
c、对于细胞死亡事件的序列，可以通过使用前面列出的形状和外观特征，或者其他特定的任务特定的特征来训练分类器，预测细胞死亡的可能性。  
d、对于进入和退出边界，我们对每个序列使用一个恒定的常数概率表示。  
特点3：对跟踪进行优化。  
这部分看的不是很懂，就是用比较了优化细胞跟踪方法ILP和KSP，因为这两个方法小鱼不是很懂，所以这里不做太多解释，有问题可以相互交流。  
最后，就是结果的展示，不难懂，但是很有价值看，比如一些评价指标，对比实验怎么做等，还是很有启发价值的。  
这里小鱼稍微讲一下本论文的数据集：两个荧光显微镜数据（Fluo-N2DH-GOWT1和Fluo-N2DH-Hela）和两个相称显微镜数据（PhC-C2DH-U373和PhC-C2DL-PSC）这些数据可以在论文中提供的连接进行下载，如果有需要的可以去下载。

[https_link.springer.com_search_query_Cell_tracking_via_Structured_Prediction_and_Learning]: https://link.springer.com/search?query=Cell+tracking+via+Structured+Prediction+and+Learning
[Mask R-CNN]: http://blog.csdn.net/u010678153/article/details/68484959
[SouthEast]: /images/20220603/160b46e1d00f458ba8f309b4261c1971.png
[SouthEast 1]: /images/20220603/e8fe2ec9a8134bb5947653223070c0b5.png
[SouthEast 2]: /images/20220603/750c33075f1541e4aac44d8c46b3cdd2.png
[SouthEast 3]: /images/20220603/dacf5e579a8b40cf8e955d5a8890ad19.png
[SouthEast 4]: /images/20220603/0a1ab36bbb0b476eb2fa5c5f660b4899.png