Detecting and tracking cells in microscopic images using oriented representations

Abstract

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>.

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>.