論文の概要: TransientTrack: Advanced Multi-Object Tracking and Classification of Cancer Cells with Transient Fluorescent Signals

• arxiv url: http://arxiv.org/abs/2512.01885v1
• Date: Mon, 01 Dec 2025 17:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.977307
• Title: TransientTrack: Advanced Multi-Object Tracking and Classification of Cancer Cells with Transient Fluorescent Signals
• Title（参考訳）: TransientTrack:過渡蛍光信号を用いた進行多物体追跡と癌細胞の分類
• Authors: Florian Bürger, Martim Dias Gomes, Nica Gutu, Adrián E. Granada, Noémie Moreau, Katarzyna Bozek,
• Abstract要約: 細胞追跡の現在の手法は、主に単一で一定の信号を持つビデオで開発されており、細胞死のような重要な事象を検出できない。 本稿では,多チャンネルビデオデータにおける細胞追跡のためのディープラーニングベースのフレームワークであるTransientTrackを紹介する。 化学物質の単細胞レベルでの有効性を解析するためのTransientTrackの使用を実証した。
• 参考スコア（独自算出の注目度）: 1.53934570513443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking cells in time-lapse videos is an essential technique for monitoring cell population dynamics at a single-cell level. Current methods for cell tracking are developed on videos with mostly single, constant signals and do not detect pivotal events such as cell death. Here, we present TransientTrack, a deep learning-based framework for cell tracking in multi-channel microscopy video data with transient fluorescent signals that fluctuate over time following processes such as the circadian rhythm of cells. By identifying key cellular events - mitosis (cell division) and apoptosis (cell death) our method allows us to build complete trajectories, including cell lineage information. TransientTrack is lightweight and performs matching on cell detection embeddings directly, without the need for quantification of tracking-specific cell features. Furthermore, our approach integrates Transformer Networks, multi-stage matching using all detection boxes, and the interpolation of missing tracklets with the Kalman Filter. This unified framework achieves strong performance across diverse conditions, effectively tracking cells and capturing cell division and death. We demonstrate the use of TransientTrack in an analysis of the efficacy of a chemotherapeutic drug at a single-cell level. The proposed framework could further advance quantitative studies of cancer cell dynamics, enabling detailed characterization of treatment response and resistance mechanisms. The code is available at https://github.com/bozeklab/TransientTrack.
• Abstract（参考訳）: タイムラプスビデオにおける細胞追跡は、単一細胞レベルでの細胞集団動態のモニタリングに必須の手法である。 細胞追跡の現在の手法は、主に単一で一定の信号を持つビデオで開発されており、細胞死のような重要な事象を検出できない。 本稿では,セルの概日リズムなどのプロセスに従って時間とともに変動する過渡蛍光信号を用いた多チャンネル顕微鏡画像データにおける,細胞追跡のためのディープラーニングベースのフレームワークであるTransientTrackを提案する。 細胞分裂(細胞分裂)やアポトーシス(細胞死)といった重要な細胞イベントを同定することにより、細胞系情報を含む完全な軌道を構築できる。 TransientTrackは軽量で、トラッキング固有の細胞機能の定量化を必要とせず、直接、細胞検出の埋め込みでマッチングを実行する。 さらに,本手法ではトランスフォーマーネットワーク,全検出ボックスを用いたマルチステージマッチング,およびKalmanフィルタによるトラックレットの補間を統合した。 この統合されたフレームワークは、様々な条件で強力なパフォーマンスを実現し、細胞を効果的に追跡し、細胞分裂と死を捕捉する。 化学物質の単細胞レベルでの有効性を解析するためのTransientTrackの使用を実証した。 提案フレームワークは、がん細胞の動態を定量的に研究し、治療反応と耐性機構の詳細な評価を可能にする。 コードはhttps://github.com/bozeklab/TransientTrack.comから入手できる。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。 Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• Trackastra: Transformer-based cell tracking for live-cell microscopy [0.0]
  Trackastraは、単純なトランスフォーマーアーキテクチャを使って、細胞同士の相互関連を学習する汎用的な細胞追跡手法である。 我々の追跡手法は、高度に調整された最先端の細胞追跡アルゴリズムに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-05-24T16:44:22Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
  多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。 化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
  論文  参考訳（メタデータ） (2022-11-02T00:51:35Z)
• Cell tracking for live-cell microscopy using an activity-prioritized assignment strategy [0.9134244356393666]
  細胞追跡は、分裂パターンや伸長率などの単一細胞の特徴を決定するために、ライブセルイメージングにおいて必須のツールである。 微生物のライブ細胞実験では、細胞は時間とともに成長し、移動し、分裂し、単層構造に密に詰め込まれた細胞コロニーを形成する。 そこで本研究では, 成長する細胞に近接する活性優先の細胞追跡手法と, 母細胞の分裂を娘に割り当てる解法とから, 高速優先の細胞追跡手法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:40:31Z)
• EmbedTrack -- Simultaneous Cell Segmentation and Tracking Through Learning Offsets and Clustering Bandwidths [0.30458514384586405]
  本稿では,単一畳み込みニューラルネットワークである EmbedTrack について述べる。 埋め込みとして、セルピクセルのセル中心へのオフセットと帯域幅が学習される。 我々は,Cell Tracking Challengeの9つの2次元データセットに対して,我々のアプローチをベンチマークした。
  論文  参考訳（メタデータ） (2022-04-22T14:04:37Z)
• Working Memory Connections for LSTM [51.742526187978726]
  ワーキングメモリ接続は,様々なタスクにおけるLSTMの性能を常に向上することを示す。 数値的な結果は、細胞状態がゲート構造に含まれる価値のある情報を含んでいることを示唆している。
  論文  参考訳（メタデータ） (2021-08-31T18:01:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。