این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۲، صفحات ۲۵-۳۷
عنوان فارسی ردیابی خودکار سلول‌ها درتصاویر میکروسکوپی گذر-زمانی
چکیده فارسی مقاله ردیابی سلول‌ها در طول زمان یکی از موثرترین انواع مطالعه برای درک مکانیسم‌های رشد، ترمیم بافت و درمان بیماری در موجودات زنده است. هدف از این تحقیق ارائه روشی جدید با کمک یادگیری ماشینی برای ردیابی سلول‌ها به شکل خودکار در تصاویر میکروسکوپی گذر-زمانی است. با توجه به پیشرفت‌های چشمگیر در فناوری میکروسکوپ در سال‌های اخیر، از میکروسکوپ گذر-زمانی معمولاً برای مطالعه سلول‌های درون اندام‌ها استفاده می‌شود که امکان تجزیه و تحلیل مستقیم رفتارهای سلولی را فراهم می‌کند. در این روش برای ردیابی سلول‌ها، پس از قطعه‌بندی تصاویر با یادگیری عمیق، عمل تشخیص رویداد تقسیم سلولی را با تئوری منحنی کاسینی و عمل پیگرد سلول‌ها در فریم‌های متوالی را با روش تطبیق قالب محدود شده انجام دادیم. عملکرد ردیاب پیشنهادی توسط معیار TRA که یک متریک استاندارد برای ارزیابی الگوریتم‌های ردیابی سلول‌ها است، اندازه‌گیری شد. برای مجموعه داده‌های DIC-C2DH-HeLa و Fluo-N2DH-SIM+ این مقدار به ترتیب برابر 87.5% و 95.3% بدست آمد. یافته‌های مطالعه حاضر نشان می‌دهد که الگوریتم طراحی شده برای ردیابی سلول از دقت قابل قبولی برخوردار است.
کلیدواژه‌های فارسی مقاله ردیابی سلول،قطعه‌بندی سلول،تشخیص میتوز،سلول،
عنوان انگلیسی Automatic Cell Tracking in Time-Lapse Microscopy Images
چکیده انگلیسی مقاله Tracking cells over time is one of the most effective ways to understand the mechanisms of growth, tissue repair, and disease treatment in living organisms. The goal of this research is to present a new method using machine learning for automatic cell tracking in time-lapse microscopy images. With the remarkable advancements in microscopy technology in recent years, time-lapse microscopy is commonly used to study cells within organs, enabling direct analysis of cellular behaviors. In this method, after segmenting the images using deep learning, the detection of cell division events is performed using the Cassini curve, and cell tracking across consecutive frames is carried out using a constrained template matching method. The performance of the proposed tracker was measured using the TRA metric, a standard criterion for evaluating cell tracking algorithms. The proposed tracker achieved 96% and 95% performance in tracking on two datasets, DIC-C2DH-HeLa and Fluo-N2DH-SIM+, respectively, and showed a 5% improvement in combined segmentation and tracking metrics. Based on the experiments, increasing the accuracy of segmentation and cell division detection also enhances the overall performance of the cell tracking algorithm.
کلیدواژه‌های انگلیسی مقاله ردیابی سلول,قطعه‌بندی سلول,تشخیص میتوز,سلول
نویسندگان مقاله رضا یزدی |
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران

حسن ختن لو |
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_208630_0f3dca3da50d59cf7032bda5f7c1a591.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات