Trackastra: Transformer-based cell tracking for live-cell microscopy

细胞追踪是活细胞显微镜图像分析中无处不在的任务。它类似于多目标跟踪(MOT)，但每个帧包含数百个外观相似的物体，这些物体可以分裂，使问题更具挑战性。目前最先进的方法遵循检测跟踪范式，即首先检测每个帧中的所有细胞，然后在第二步中将它们成功地链接起来形成生物学上一致的细胞轨迹。链接通常通过离散优化方法来解决，这需要对每个数据集进行超参数的手动调整，因此在实践中使用起来很麻烦。在这里，我们提出了Trackastra，一种通用的细胞追踪方法，它使用简单的Transformer架构从注释数据中直接学习时间窗口内细胞之间的成对关联。重要的是，与现有的基于Transformer的MOT流程不同，我们的学习架构还考虑到了细胞等可分裂物体，并允许使用简单的贪心链接进行准确追踪，从而朝着消除复杂链接步骤的要求迈出了一步。所提出的架构通过避免处理密集图像的计算负担，在时间窗口内对检测到的完整时空上下文进行操作。我们展示了我们的跟踪方法在各种生物数据集（如细菌、细胞培养和荧光颗粒等）上的表现与高度调整的最先进的细胞追踪算法相当或更好。我们在https://github.com/weigertlab/trackastra上提供了代码。

解决问题：该论文旨在解决细胞跟踪问题，即在活细胞显微镜中跟踪细胞的位置和轨迹。这是一个具有挑战性的问题，因为每一帧图像中都有数百个相似的细胞，它们可以分裂，使得跟踪变得更加困难。

关键思路：该论文提出了一种名为Trackastra的基于transformer的细胞跟踪方法，直接从注释数据中学习细胞之间的配对关系，避免了繁琐的离散优化方法和复杂的关联步骤。该方法还考虑到细胞的分裂，可以使用简单的贪心链接实现精确跟踪，同时避免了处理密集图像的计算负担。

其他亮点：该论文的实验表明，Trackastra在不同的生物数据集上表现出与高度调整的最先进的细胞跟踪算法相当甚至更好的性能。该论文提供了开源代码。这种基于transformer的细胞跟踪方法可以为细胞生物学研究提供更有效和准确的工具。

相关研究：最近的相关研究包括采用深度学习技术进行细胞跟踪的研究，如DeepCell、Cell Tracking Challenge等。