论文笔记之《Cell Tracking via Proposal Generation and Selection》

论文下载链接为：
https://link.springer.com/search?query=Cell+tracking+via+Structured+Prediction+and+Learning
如果有下载不了的同学找小鱼，小鱼可以分享文档给你。
这篇论文的特点在于：
特点1、增加了一个分割层来产生分割掩码，得到更精确的cell proposal。
小鱼看了很久才明白分割掩码到底是什么，小鱼认为分割掩码和类别预测很重要，是为每个类别分别预测一个二元掩码，对物体进行像素级别的分割提取，对目标的空间布局有一个更加精确的提取，对每个RoI都生成了一个二元掩码。如果还有不懂的可以参照这篇博客： Mask R-CNN论文解读

这个网络结果包括两部分：
1）Bounding box network
所有的卷积步幅为1，所有的最大池化为3*3步幅为2，图中上半部分过程为：
input – conv1(7*7 ) – max-pooling(3*3) – conv2(5*5 ) – max-pooling – conv3(3*3) – conv4(3*3) – conv5(3*3) – conv(6K)
这个网络的扩展为将原来RPN的全连接层改为全卷积层，其中包括2K score和4K bbox，最后用非极大值抑制NMS，设置IoU=0.8得到候选边界框。
2）Segmentation network
该网络包括两部分：
a、所有的卷积层都用3*3的步幅为1的卷积核，所有的最大池化用3*3步幅为1，图中下半部分过程为：
input - conv1 - max-pooling - conv2 - maxpooling - conv3 - maxpooling - conv4 - deconv - deconv - deconv - conv5 - pooling - fc - fc
该过程中的扩展为：五层卷积，conv1、conv2、conv3、conv4提取不同深度的特征图，得低细及高粗信息。接着conv2、conv3、conv4反卷积再相加得到和输入相同分辨率的特征图；conv5可在所有的候选边界框得到共享，同时conv5后的pooling相当于resize conv5的特征图，为每个候选框提取固定大小的特征图来预测分割掩码。mask是通过crop GT分割图来获取的。
特点2：用有向无环图来表示细胞跟踪。

上部分表示一个GT图，包括了细胞运动的所有过程：出现，有丝分裂，移动，消失，死亡。
下部分图主要是用来表示选择子图的过程，所以细胞跟踪问题转换为选择最大可能性子图的问题，选择公式为：

因为图形模型中的提议节点：G，有与它们相关的代价，这取决于该建议节点为细胞的可能性。所以为每个边界都设置了特征集表示方式：
a、对于移动边界：
训练一个随机森林分类器，在测试集序列中用于对移动边界设置权重值，对移动边界进行分类的特征集包括：

b、对于有丝分裂边界：
训练一个随机的森林分类器，用于对有丝分裂边缘进行打分的特征集包括:

c、对于细胞死亡事件的序列，可以通过使用前面列出的形状和外观特征，或者其他特定的任务特定的特征来训练分类器，预测细胞死亡的可能性。
d、对于进入和退出边界，我们对每个序列使用一个恒定的常数概率表示。
特点3：对跟踪进行优化。
这部分看的不是很懂，就是用比较了优化细胞跟踪方法ILP和KSP，因为这两个方法小鱼不是很懂，所以这里不做太多解释，有问题可以相互交流。
最后，就是结果的展示，不难懂，但是很有价值看，比如一些评价指标，对比实验怎么做等，还是很有启发价值的。
这里小鱼稍微讲一下本论文的数据集：两个荧光显微镜数据（Fluo-N2DH-GOWT1和Fluo-N2DH-Hela）和两个相称显微镜数据（PhC-C2DH-U373和PhC-C2DL-PSC）这些数据可以在论文中提供的连接进行下载，如果有需要的可以去下载。