[論文レビュー] Cell Tracking via Proposal Generation and Selection

Saad Ullah Akram, Juho Kannala+2 more|arXiv (Cornell University)|May 9, 2017

Cell Image Analysis Techniques参考文献 36被引用数 24

ひとこと要約

本論文は、検出とトラッキングを同時に最適化するためのグラフィカルモデルを用いて、細胞候補とエッジ候補を生成・選択する深層学習ベースの細胞トラッキング手法を提案する。手動でのチューニングを必要とせず、多様な蛍光顕微鏡および位相差顕微鏡のシーケンスにおいて最先端の性能を達成しており、ISBIチャレンジデータセットにおいて既存手法を上回っている。

ABSTRACT

Microscopy imaging plays a vital role in understanding many biological processes in development and disease. The recent advances in automation of microscopes and development of methods and markers for live cell imaging has led to rapid growth in the amount of image data being captured. To efficiently and reliably extract useful insights from these captured sequences, automated cell tracking is essential. This is a challenging problem due to large variation in the appearance and shapes of cells depending on many factors including imaging methodology, biological characteristics of cells, cell matrix composition, labeling methodology, etc. Often cell tracking methods require a sequence-specific segmentation method and manual tuning of many tracking parameters, which limits their applicability to sequences other than those they are designed for. In this paper, we propose 1) a deep learning based cell proposal method, which proposes candidates for cells along with their scores, and 2) a cell tracking method, which links proposals in adjacent frames in a graphical model using edges representing different cellular events and poses joint cell detection and tracking as the selection of a subset of cell and edge proposals. Our method is completely automated and given enough training data can be applied to a wide variety of microscopy sequences. We evaluate our method on multiple fluorescence and phase contrast microscopy sequences containing cells of various shapes and appearances from ISBI cell tracking challenge, and show that our method outperforms existing cell tracking methods. Code is available at: https://github.com/SaadUllahAkram/CellTracker

研究の動機と目的

• 異なる顕微鏡モダリティや生物学的サンプルにおける細胞の外見や形状の高いばらつきに対処すること。
• 手動によるパrameterチューニングを回避し、多様な画像シーケンスに適用可能な完全自動化された細胞トラッキング手法を開発すること。
• グラフィカルモデルフレームワークにおける候補選択を通じて、検出とトラッキングを統合的にモデル化することで、トラッキングの正確性を向上させること。
• シーケンス固有のセグメンテーションおよびトラッキングパrameterに依存する度合いを低減し、データセット間での一般化性を高めること。

提案手法

• 信頼度スコアを伴う細胞候補を生成する深層学習ベースのネットワークを用い、曇りの強い領域における複数の仮説を表現する。
• ノードが細胞候補、エッジが隣接フレーム間の細胞的イベント（例：分裂、移動、死滅）を表すトラッキンググラフを構築する。
• 整数線形計画法（ILP）を用いて、一貫性があり時間的に整合性のある細胞トラックを形成する最適な細胞およびエッジ候補のサブセットを選択する。
• 細胞分裂イベントを処理するための特別なコンponentとしてミトーシス検出器を組み込むが、一般化性の観点から制限要因であると指摘されている。
• 運動モデルの改善を目的としたオプションとして、オプティカルフローまたは相関マッチングを検討しているが、コア手法には統合されていない。
• 完全結合層を用いたマスク予測ヘッドを採用しているが、これは解像度を制限し、大きな細胞に対して粗いマスクを生じさせている。

実験結果

リサーチクエスチョン

• RQ1 手動チューニングを要せず、多様な顕微鏡シーケンスにおいて、候補ベースの統合的検出・トラッキングフレームワークが既存手法を上回る性能を発揮できるか？
• RQ2 低コントラスト、高密度、多様な形態を示す領域における曇りの強い部分の処理において、候補生成はどの程度有効か？
• RQ3 エッジ候補を含むグラフィカルモデルを用いることで、トラッキングのロバスト性と正確性はどの程度向上するか？
• RQ4 本手法は、位相差顕微鏡や蛍光顕微鏡を含む、異なる細胞タイプおよび画像モダリティにどの程度一般化できるか？

主な発見

• 提案手法は、蛍光顕微鏡および位相差顕微鏡の両方を含む複数のISBI細胞トラッキングチャレンジシーケンスで最先端の性能を達成した。
• 特に小さな細胞、細長い細胞、染色が不十分な細胞を含む困難なシーケンスにおいて、F1スコア、精度、再現率の観点で既存手法を上回った。
• 少ない数の細胞候補で高い再現率を達成し、トラッキンググラフ内の移動および分裂エッジの数を顕著に削減した。これにより、最適化が高速化され（約175,000個の細胞を含むシーケンスで数分程度）、高速な処理が可能になった。
• 候補ネットワークは非常に正確なスコアを生成し、曇りの強い領域でも高品質な候補の選択が可能になった。
• 過小セグメンテーションエラーは依然として主要なボトルネックであり、特に小さな細胞や細長い細胞では、提案生成の改善が求められる。
• 現在のマスク予測は完全結合層のため粗く、特徴の統合による解像度の向上が性能向上に寄与する可能性がある。