Fast spline detection in high density microscopy data

要約

生物顕微鏡データのコンピューター支援分析は、汎用の深層学習技術の利用により大幅な改善が見られました。
しかし、多生物システムの顕微鏡研究では、衝突と重なりの問題は依然として困難です。
これは、這う線虫、泳ぐ精子、または真核生物または原核生物の鞭毛の鼓動などの細い体で構成されるシステムに特に当てはまります。
ここでは、一般的に運動性で重なり合うスプラインの正確な形状軌跡を抽出するための、新しいエンドツーエンドの深層学習アプローチを開発します。
私たちの方法は、特徴のキーポイントを定義して検出するのが難しい低解像度の設定で機能します。
検出は高速で、何千もの重複する生物を同時に追跡する能力を示しています。
私たちのアプローチはアプリケーションの分野にとらわれませんが、Caenorhabditis elegans のクロールの密な実験の設定でそれを提示し、その有用性を例示します。
モデルのトレーニングは、線虫の運動性に物理学に基づくモデルを利用して、合成データのみで達成され、シミュレーションから実験ビデオに一般化するモデルの能力を実証します。

要約(オリジナル)

Computer-aided analysis of biological microscopy data has seen a massive improvement with the utilization of general-purpose deep learning techniques. Yet, in microscopy studies of multi-organism systems, the problem of collision and overlap remains challenging. This is particularly true for systems composed of slender bodies such as crawling nematodes, swimming spermatozoa, or the beating of eukaryotic or prokaryotic flagella. Here, we develop a novel end-to-end deep learning approach to extract precise shape trajectories of generally motile and overlapping splines. Our method works in low resolution settings where feature keypoints are hard to define and detect. Detection is fast and we demonstrate the ability to track thousands of overlapping organisms simultaneously. While our approach is agnostic to area of application, we present it in the setting of and exemplify its usability on dense experiments of crawling Caenorhabditis elegans. The model training is achieved purely on synthetic data, utilizing a physics-based model for nematode motility, and we demonstrate the model’s ability to generalize from simulations to experimental videos.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google