视觉信息学5（2021）1计算机化细胞追踪：当前的方法、工具和挑战Neda Emamia，Zahra Sedaeib，Reza Ferdousia，a大不里士医科大学管理和医疗信息学院卫生信息技术系，大不里士，5166/15731，伊朗b大不里士医科大学管理与医疗信息学院卫生服务管理系科学，大不里士，5166/15731，伊朗ar t i cl e i nf o文章历史记录：收到2020年收到修订版2020年10月13日接受2020年2020年11月24日网上发售保留字：细胞跟踪数字细胞跟踪活细胞显微镜图像分析生物图像信息学亚细胞定位a b st ra ct在发育生物学中，细胞结构及其（形态）动态行为的知识，全面了解他们的行为和他们参与的机制。这种知识是生物学研究以及所有药物开发步骤、药物或预防性治疗的决定性因素。实验细胞分析是困难的，昂贵的，耗时的。为了克服这些困难，近年来，在细胞科学中已经开发了几种计算对象跟踪方法，软件系统和包，这些方法汇集了不同的学科和技术分支。目标跟踪是对序列图像中的特定目标及其行为进行定位和监视的过程。在本文中，一个全面的审查对象跟踪阶段和计算方法，利用细胞跟踪方面已经组织。此外，可用的软件包和工具包，挑战，并在此范围内的时间推移显微镜图像的解决方案进行了审查。描述计算细胞跟踪方法和工具的目的是生物学家和细胞科学家可以利用这些计算技术找到另一种方法来获得他们感兴趣的问题的补充信息版权所有2021作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.介绍12.细胞跟踪方法：22.1.通过检测进行跟踪（基于检测的方法）22.2.通过模型评估42.3.通过过滤跟踪53.跟踪工具53.1.细胞内细胞器73.2.细胞过程和事件74.细胞跟踪数据集85.讨论、挑战和未来方向8竞争利益声明9鸣谢10参考文献101. 介绍细胞是所有生物体中最小的身体结构单位。在发育生物学中，∗通讯作者。电子邮件地址：gmail.com（N.Emami），sedaeizahra@gmail.com（Z.Sedaei），ferdousi. gmail.com（R. Ferdousi）。https://doi.org/10.1016/j.visinf.2020.11.003在器官的所有形态发生中，单细胞的排列和分配是一个巨大的挑战（Mankowski et al. ，2014; Maška等人，2014; Majumdar等人，2019）。了解细胞行为的潜在机制是药物或预防性治疗的决定性因素例如，许多疾病是由于细胞的异常（例如，细胞移动性、细胞分化、细胞偏离、细胞增殖等）（Sacan et al. ，2008a）。近年来，已经对细胞功能、结构行为和复杂的生物学过程（如细胞生长）进行了各种研究。2468- 502 X/©2021作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinfN. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）12迁移（Tosi和Campbell，2019）、细胞周期（Spoerri et al. ，2017）、细胞分化（Rapoport et al. ，2011）、组件和位置（Mankowski et al. ，2014）、自组装（Dou et al. ，2019）、基因正则化（Lopes et al. ，2019）、信号转导（Kusumi et al. ，2014年）和活跃贩运（Joensuu等人，，2017年）。细胞事件，如膜动力学（Hatakeyama et al. ，2017），细胞死亡（Jiang和Poon，2019），闭塞，发育，快速/突然运动，细胞运动的动力学（例如速度，方向性），形态学变化，不稳定的细胞-细胞连接，脱营行为和细胞行为，包括迁移的定量（Majumdar et al. ，2019），有丝分裂（Mrsica和Conde，2019），以及细胞系的重建（母女关系）（Shrier et al. （2004年），需要准确捕捉。由于这些事件是困难的，耗时的，需要专业知识，提出了许多问题和难题，因此它们适合于计算对象跟踪方法（Li et al. ，2008a）。此外，在手动分析细胞图像中存在一些挑战，包括（i）单个细胞图像序列的大尺寸，（ii）疾病的诊断取决于长时间、费力的工作、人类操作员的经验水平以及(iii)几乎不可复制。尽管已经进行了许多努力来改进跟踪，但是细胞及其细胞器的小尺寸提出了适用于计算对象跟踪方法的许多复杂问题（Nketiaet al. ，2017年）。对象跟踪研究是通过使用活细胞荧光显微镜图像和计算算法来跟踪或发现图像中的感兴趣对象（Dupont et al. ，2013; Mei-jeringetal. ，2009年a）。将计算对象跟踪应用于序列图像以随时间跟踪细胞事件并从每个对象提取信号。因此，使用计算对象跟踪可以显著提高对细胞的研究的再现性、效率和准确性。 此外，由于这些方法能够实时可视化分子活动，因此它们是疾病模式检测的关键，并且可以有助于决策制定，例如用于诊断大量疾病（包括大多数癌症）的病理学研究。目标跟踪作为计算机视觉的一个子领域，广泛参与追踪连续图像中的细胞和亚细胞颗粒（Hatakeyamaet al. ，2017; Meijering et al. ，2009 b）。 基于文献，对象跟踪有三个阶段（Samdurkar et al. ，2017 a; Parekh et al. ，2014;平均SLDUA，0000），包括：对象检测、对象分类和对象跟踪。（图第一章计算对象跟踪方法简单、成本和时间有效，并且不需要复杂的仪器。这种能力对于基因组学和蛋白质组学、干细胞研究、药物发现和组织工程等几个领域都很重要。在这篇综述中，我们提供了一个全面的概述计算对象跟踪，其现有的方法，可用的工具，以及在实验生物成像中的对象跟踪领域进行的不同研究。完全专注于分析和跟踪延时显微镜图像中的物体。在这篇综述中，所有可用的数据库和文献检索，以涵盖所有相关的必要的调查，在相当长的一段时间约三十年前。在以下部分中，首先，概述细胞跟踪阶段、方法及其优点和缺点。接下来，阐明了细胞内和细胞外两个可用点的计算工具。文中还介绍了细胞跟踪方法的一些相关最后，讨论了面临的挑战和未来的研究。2. 细胞追踪方法：计算对象跟踪是在连续图像中定位运动对象的过程。在细胞方法中，计算对象跟踪可以应用于各种目的。表1总结了活细胞中对象跟踪的各种应用。细胞跟踪方法可以分为三个分支：检测跟踪、模型评估跟踪和滤波跟踪。这种分类适用于二维（2D）和三维（3D）数据（Masuzzoet al. ，2016年）。2.1. 基于检测的方法（Detection Based Approach）在这些方法中，首先基于强度、纹理或梯度特征从背景检测对象（Al-Kofahiet al. ，2006年）。然后，通过优化某些概率目标函数，在连续帧之间匹配对象。目标检测阶段通过图像分割过程来实现。 分割为每个图像中的每个像素分配不同的标签，以便具有相同标签的像素具有特定属性（Masuzzo et al. ，2016;Boukariand Makrogiannis，2018 a）.近年来，已经开发了几种用于图像分割的方法。这些方法中的大多数仅使用2D图像。然而，它们中的一些被扩展到3D，并且是精细复杂的（Masuzzo等人，，2016年）。基于检测的跟踪方法的主要优点是：工作在较低的成像频率，先进的数据关联跟踪技术，分割和跟踪任务的分离。因此，可以应用各种分割方法，单一跟踪算法（Boukari和Makrogiannis，2018 b）。然而，在一些问题中，跟踪可能是有问题的（例如，模糊跟踪），这是由于不能区分多个接触的细胞，因此分割错误率随着细胞密度的增加而增加。Ong等人（1996）对图像分割进行了回顾，并将其分为四种方法，包括阈值分割、区域生长、边缘检测和模式匹配。在下面的段落中，我们强调了最常见的分割方法。图像保持：图像分割的最主要技术之一是图像保持。该方法创建一个二进制图像作为输出，其中一个条件将显示前景对象，互补条件将匹配背景（Sezgin和Sankur，2004）。因此，阈值化是有效的，并且适用于具有高对比度均匀背景的图像，其中对象是均匀的（Luo 等人，1998年）。然而，图像中存在着一些复杂的因素，如图像的非永久性和相互干扰、亮度模糊、物体内部灰度和背景灰度的聚集、对比度不足、物体大小与场景不成比例等。最后，缺乏客观的措施，以评估不同的算法的性能，并在任务导向的环境中的扩展评估的困难，已被其他限制（Sezgin和Sankur，2004年;孔等。，2015 a）。在实践中，仅仅是控股产生的细分结果是不够的。通常，大多数细胞分割技术都使用细胞保持作为管道中的基本水平（Meijering，2012）。边缘检测：该技术基于图像中的一个边缘属于图像强度的极端变化的假设（Gonzalez和Wintz，1977）。边缘检测通常为具有“良好边界”的图像提供有效的结果N. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）13Fig. 1. 计算目标跟踪过程：（I）目标检测：在序列图像中识别目标，并对其像素进行聚类。这一步首先在所有帧中分割对象一些目标检测技术是帧差分、光流、背景减除、分割和点检测器。（二）物体分类：根据物体的形状、运动、颜色和行为进行分类。基于形状、基于运动、基于颜色和基于行为的分类是一些对象分类技术。（III）对象跟踪：通过在每个时刻定位对象在序列图像的每个帧中的位置来生成对象的轨迹表1目标跟踪在研究活细胞结构和培养方面的应用应用描述参考细胞内追踪细胞内器官和囊泡来了解Kalaidzelf（2007年b）和Moogk et al. （二零零七年）动态跟踪细胞动力学粒子跟踪跟踪粒子中的粒子/多个粒子的运动或行为Rust等人 （2011），Celler et al. （2013），Feng et al. 0 4 The FamousWomen（2011）（PT）环境等人 （2008），Cognet et al. （2014），Bacher et al. （2004）和Gardini etal.（2015年）分子追踪直接观察Joensuu等人 （2016），MacGillavry and Blanjin（2013），Kusumi et al.（公吨）分子空间作为时间的函数（2005），Appelhans and Busch（2017），Bosch et al.（2014），Mehtaet al.（2016），Ma et al. （2017），Kwakowsky et al. （2013）和Ram et al.（2012年）蛋白质追踪了解蛋白质对的位置和动力学Courty和Dahan（2013年）以及Saurabh等人（2017年）（PT）相互作用或蛋白质的位置。细胞追踪活细胞运动的空间研究，包括Kwaket al. （2010），Maglica et al. （2015），Piltti et al. （2017年），各种概念。Gómez-Villafuertes等人 （2017），Falconnet et al. （2011），Gahlmann和Moerner（2014），Hoornweg et al. （2016），Wen et al. （2017）和优素福等人（2011年）跟踪正常跟踪细胞的行为并找到Pineda等人 （2016）和Zerjatke et al. （2017年）和恶性细胞在生命周期中有缺陷;大多数用于发现癌细胞。周期细胞跟踪研究肿瘤生长和治疗反应Skommer等人 （2010）和de et al. （2005年）死亡恶性肿瘤光点跟踪涵盖了MRI、DNA水平的广泛研究，Gardini等人 （2015）、Asaithamby和Chen（2011）、Rino等人 （2016），Li翻译动态等人 （2016），Georgescu et al. （2015）和Thompson et al. （二零一零年）细胞行为包括跟踪细胞行为，Puliafito等人 （2012），Mukewar和Wang（2004），Huh（2013）和Bise跟踪形态发生，如分裂、迁移或死亡。等人（2011年）这意味着变化的强度在整个边缘上是剧烈的并且在整个边缘上是均匀的。虽然，与边缘保持方法相比，边缘检测技术更强，但它们在低对比度图像上失败（Masuzzo et al. ，2016年）。二维边缘检测可以扩展到三维表面检测。在延时荧光显微镜图像中，衍射相邻荧光物体的光能够在物体的边缘处引起模糊（Luo et al. ，1998年）。边缘检测和边缘保持技术的最大限制之一是，它们无法识别具有相同强度和边界的两个对象（例如，当细胞彼此相邻或重叠时）。分水岭技术克服了这一限制，它将图像视为类似于地形的地貌，像素灰度级被解释为它们的基于分水岭分割的方法在区分成团物体时具有更高的性能，但其实用性下降，这种低对比度条件（特别是当发生细胞膜的局部不可见时）（Masuzzo et al. ，2016年）。由于这种策略可能导致过度分割，因此通常使用特定的预处理和后处理方法（Kong et al. ，2015b）。区域生长：区域生长技术依赖于对象的子区域特征、连通性和结构特征（Luo et al. ，1998年）。区域生长方法分为两个步骤，第一步：选择具有均匀或接近均匀属性的子区域（或种子），第二步：对相邻像素进行分类，以通过成本函数最小化来指定像素是否应该合并到较大的子区域中（Irshadet al. ，2014年）。分裂和合并策略可以改进区域生长技术，区域分裂和区域生长都可以发生。一个地区可以分为或合并N. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）14其他的取决于预定义标准的数量（Luoet al. ，1998年）。主动轮廓模型（ACM）：主动轮廓模型（或可变形模型）是弹性曲线，其可以被应用于通过能量优化方法利用梯度信息来捕获图像上的对象边缘演变。在图像文化中，能量一般是图像特征的函数。能量函数是它的内能和外能之和其中内部能量控制对活动轮廓进行的变形，外部能量控制轮廓到图像上的拟合。优化是一种技术，以最小化的能量函数从内部和外部的能量。因此，在对象分割中，分配最小能量水平的点构成对象边界。能量水平被定义为图像的强度，其可用于检测略微平滑的图像中的拐角和终端。能量函数通常用于澄清沿轮廓的灰度级中的曲线形状不连续性（Irshad等人，，2014年）。活动轮廓模型能够明显地被公式化，如参数轮廓（2D）或表面（3D），作为具有比要分割的图像高一个维度（n-D）的函数的零级（Meijering，2012）。主动轮廓模型的主要优点是能够线性确定物体形状，并且在收敛时不需要额外的处理。该模型的局限性之一是需要找到强图像梯度来发现轮廓，这可能是过度分割和欠分割的原因，这导致分析的正确性降低，并且还由于帧的对比度低。这些模型广泛应用于跟踪细胞、免疫细胞、癌细胞、变形虫和成纤维细胞已经成功可行。（Svensson et al. ，2018; Huth et al. ，2010年）。当对象经历足够大的位移时，该算法失败（Huthet al. ，2010）或其重叠在连续帧之间较低。此外，在检测视野中的现存细胞 于Li等（2008 b），Li和同事通过应用局部缔合方案处理新细胞。然而，目前的外力影响过程不能处理低对比度边缘，并且受到初始化灵敏度的因此，在Huang和Liu（2015）中，Yali Huang等人提出了一种功能轮廓模型，用于在相差显微镜图像中分割和跟踪每个淋巴细胞的精确膜。存在可用于分割的各种其它方法。例如，一旦检测到细胞的位置，它们必须在该时间内连接，以形成细胞轨迹。执行此功能的最简单的解决方案是将帧中的每个分段单元连接到下一个侧帧中最近的单元。在这种情况下，“最近”可能会提到空间位置和可能用作点的像元质心的参考。该策略将在细胞根据所选择的帧速率缓慢移动并且不紧凑的条件下做出响应。特征匹配是另一种效果更好的方法该过程利用扩展的特征列表（如体积、形态、表面和曲率）定位同质细胞，这些特征将距离的概念扩展到比空间位置更远的地方。基本上，这些技术需要用户指示细胞在每对连续时间帧中可以转移的最大距离这些方法是基于正确的分割，以保持尽可能准确的匹配。此外，通过对单个细胞的连续时间帧效应，每个形态变化导致一个细胞变成两个不同的细胞，产生断裂的轨迹（Masuzzo et al. ，2016年）。此外，还有另一种称为梯度流的方法，是三维细胞分割的一个新的思路。该方法依赖于梯度向量通常指向细胞的中心。然而，这种假设仅在精确选择弹性变形所需的参数的情况下发生。最后的结果是受分布的双峰体素强度梯度驱动的体积增长。在实际应用中，该方法面临的一个严峻挑战是选择梯度场的调节方法和识别每个子体积中的细胞成分（Kong et al. ，2015 b）。因此，为了解决这些问题，Kong et al. （2015 a）提出了一种细胞分割方法，该方法可以识别其3D荧光显微图像的每个细胞。Gilad等人（2018）介绍了一种利用荧光显微镜数据进行有丝分裂事件检测和母女联系的方法。然而，他们的方法是不满意的条件下，细胞的边界不能很容易地区分。在深度学习辅助跟踪的示例中，Falk et al. （2019）提供了（U-Net）一个基于深度学习方法的软件包，用于检测和分割。它是一个图像插件，用于帮助非机器学习专家通过本地计算机或远程服务器/云服务上的U-Net分析他们的信息。在另一项工作中，Boukari和Makrogiannis（2018 a）介绍了一种用于细胞跟踪，谱系构建和定量的方法。Yang等人（2016）开发了一种名为“MCDT”（迁移细胞检测器和跟踪器）的自动算法Coudray等人（2018）指示全切片图像的深度卷积神经网络（originationv3）将其自动分类为LUAD，LUSC或肺组织，可用于通过组织病理学切片辅助诊断肺癌。虽然在检测具有高对比度和可预测形状的细胞方面取得了很大的进步，但在不同的条件下，所有属性并不同时存在。因此，大多数有趣的潜在研究-例如星形胶质细胞向划痕伤口的转移模式-在本质上已经Liu et al.（2017）使用细胞的3D时空背景建立了一个植物细胞匹配模型。他们将3D局部图匹配模型与交互式多模型过滤器（IMM）相结合，以跟踪植物细胞的种群。在另一项寻找植物细胞匹配的研究中，等人 （2019a）提出了一种结合卷积神经网络和局部图匹配的模型。他们的模型应用细胞对相似性信息和细胞NejatiJavaremi等人 （2013）介绍了一种算法，其中考虑了用于配制的细胞运动动力学，并且使用参数活动轮廓来自动分割和跟踪显微图像中细胞的外部形状。2.2. 通过模型评估在这些方法中，对象外观或形状的表示是从分析每个帧或时空体积中开发的，以便跟踪随着时间的推移移动的对象。简而言之，它搜索每个帧中对象的关系以找到相似性（Nketia et al. ，2017年）。它用于对象不是静态的并且其特征随时变化的情况。模型进化方法通过对框架中物体的轮廓进行发展，合并帧。在本研究中，它包含了初始化的对象分割在第一帧和刷新在接下来的帧。任何帧的结果都被应用为检查下一帧的开始要求（Nketiaet al. ，2017; Masuzzoet al. ，2016年）。这些模型广泛应用于目标跟踪、边缘检测、形状建模、分割、发现活动目标的移动性以及处理N. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）15细胞分裂通过提供第一帧的初级分割（Sacan et al. ，2008 b）。通过模型评估进行跟踪面临两个挑战。第一，由于图像边缘对比度低或噪声污染而导致的不正确分割.第二，模型对起始位置的敏感性（Huang和Liu，2015）。通常，基于模型评价的跟踪根据表示和实现方式分为两类参数化模型建立了包含内、外能量条件的能量函数。这些条件是由用户引入的约束力。它们被清楚地确定为参数轮廓，并且也经常用于2D应用。因此，参数模型提供了一个快速和实时的执行，除了拓扑事件，如轨道划分或合并。参数模型能够更好地估计细胞形态，并用于跟踪单个对象和对象的部分遮挡（平均SLDUA，0000）。然而，它们必须能够控制等人，2017; Masuzzo etal. ，2016年）。这些方法在计算成本方面几乎是简单的和最佳的（Meunier等人，2005）。，2010年）。另一方面，非参数可变形模型隐式地显示为具有更高维度的标量函数的水平集，其能够以更高的计算复杂性代价来处理拓扑结构的变化（Kalaidzavik，2007a）。然而，在这些方法中，在细胞从场出现或消失的条件下，重新初始化是必要的或者在快速移动的相同情况下，取决于所选择的帧速率（Nketia et al. ，2017;Masuzzo et al. ，2016;Huang and Liu，2015）。尽管参数可变形模型和非参数可变形模型之间存在若干差异，但它们共享一个隐含的原则：首先从困难的分割开始，重复开发模型以最小化特定的能量函数（Nketia et al. ，2017; Masuzzo etal. ，2016年）。必须指出的是，如果改变收集的对象的信息;因此，在这些方面的跟踪是不可靠的（Meunier等人。，2010年）。这些模型适用于跟踪单个对象、物理初始化、多个图像、对象的完全和部分遮挡、通过平移、缩放和旋转进行的对象运动（平均SLDUA，0000;Huang和Liu，2015）。2.3. 滤波跟踪基于滤波方法的跟踪（也称为序列蒙特卡罗技术（Liu，2008））通常采用基于被跟踪对象的隐式运动或外观模型的随机滤波技术。在这种情况下，随机滤波方法基于被跟踪对象的基本运动或外观模式。因此，在该模型中存在期望，其中遵循一些特定的运动模式，但不需要对跟踪对象进行精确分割。因此，这些方法适用于大位移（Nketia等人，，2017年），并广泛用于多目标跟踪系统。滤波方法的基本思想是通过一组具有连接权的随机粒子来估计对象状态后验的密度函数。过滤方法分为三个阶段：选择，预测和测量，这是迭代执行。选择步骤包括通过在先前粒子集合中选择具有最高后验概率的粒子来生成新的粒子集合。在测量步骤中，根据周围感兴趣区域的状态模型对每个粒子进行修正，而在测量步骤中，根据新的信息重新指定每个粒子的权值应该注意的是，通常需要重新启动步骤，以防止良好颗粒的重量聚集和不良颗粒的增加的惩罚最后，对粒子的权值求和，得到目标分布的估计，并应用上一次的状态估计，以初始化下一帧的跟踪。虽然，大量提出的粒子滤波在一系列视频序列中，跟踪都是基于特定的特征，但多特征跟踪提供了对目标更好的解释，最终增强了该方法的鲁棒性。在大多数粒子滤波方法中，人类交流或其他类型的初始化是必不可少的，以解释在初始帧中的对象状态的先验解释。而且要被跟踪对象的变形仍然很小，因为大的变形排除了它们对单个细胞跟踪的应用（Nketia etal. ，2017; Masuzzo et al. ，2016; Smal et al. ，2008 b）。滤波跟踪方法可以分为确定性方法和统计方法（Meunier et al. ，2010年）：确定性方法：当关于对象的移动的限制可以确定时，确定性方法可以被应用于将新情况和先前情况相关联（Meunier等人，2009）。，2010年）。这种方法创建了前一帧中的每个对象与单个对象之间的通信在本框架中，工作定性运动运动学，这是完成的援助下，收集的运动限制。（Samdurkar et al. ，2017年b）统计方法：也称为概率方法。当状态空间方法对于确定诸如位置 、 速 度 和 加 速 度 之 类 的 属 性 更 有 效 时 ， 应 用 这 些 方 法（Meunier等人，2011）。，2010年）。概率方法考虑对象的可测性和不确定性来分配通信量。它们解决了测量中 （Samdurkaret al. ，2017年b）在Godinez和Rohr（2015）中，Godinez WJ等人提出了一种方法，以便依赖于概率数据连接来跟踪多个粒子。在另一项工作（Godinez et al. ，2007），以探索病毒随时间的时空关系，W. J. Godinez等人根据多病毒跟踪的顺序，提出了确定性和概率性方法此外，Hodnelandet al. （2016）介绍了一种连续的方法，一个偏微分方程，它依赖于浸没前沿的几何描述。3. 跟踪工具直观和支持性的计算工具是为最终用户提供某些跟踪技术的重要因素（Nketia et al. ，2017年）。有两类用于分析生物图像的平台：商业平台（例如Imaris- Track、ImagePro Plus、Velocity、Amira、MetaMorph）通常集中在易用性上。它们广泛涵盖了图像处理的任务，适用于专业知识水平较低的用户。基本上，图像处理算法的主要事实是不可接近的，这是不适合解决前沿研究问题。而在开源平台（ 例 如 CellProfiler Xuet al. ， 2019 ， Vaa3D ， BioImageXDCarpenter et al. ， 2006 ， Vaa3D ， BioImageXD Kankaanpaa etal. ，2012，Icy de Chaumont et al. ，2012，KNIME，FARSIGHTBjornsson et al. ，2008，and ImageJ Abrà-moff et al. ，2004，FijiSchindelin et al. ，2012等）算法细节是完全透明的，并且通常针对专家用户。开源工具使用户能够不受限制地进行新的发明。在某些情况下，安全性和支持等因素不如低成本重要，因此更好地选择这些工具。在这里，在表2中，我们提到了细胞跟踪方法方面的一些可用计算工具。ImageJ是最古老、最强大的工具之一用于科学图像分析。ImageJ由Abràmoff创建N. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）16表2概述了一组选定的众所周知的计算细胞跟踪工具。工具任务平台自动化可用性URLCellTrack（Sacan单元格数量、边界位置、单元格赢得汽车免费http://db.cse.ohio-等人，2008年b）速度、路径长度、单元面积、单元state.edu/CellTrack/变形CellTracker（深圳）细胞数量，细胞质心位置，赢得半免费网址：等人（2006年）细胞表面积（细胞质和//go.warwick.ac.uk/bretschneider/细胞核），细胞移位，细胞速度Metamorph单元位移、单元角度、单元赢得汽车商业http://www.moleculardevices.com/[分子器件，速度Products/Software.html美国]迪亚特拉克粒子检测、粒子选择和赢得汽车商业http://diatrack.org/[Semassopht，粒子跟踪，分析移动瑞士]颗粒，提取物定量信息ImarisTrack细胞数量，细胞质心位置，Win/Mac汽车商业https://omictools.com/imaristrack-[位平面，细胞表面积（2D），细胞体积工具瑞士](3D)细胞位移，细胞速度，路径曲率，融合数磁道，单元格磁道的分割数粒子追踪器粒子轨迹图像分割ImageJ汽车免费http://weeman.inf.ethz.ch/（Sbalzarini和相互作用分析ParticleTrackerKoumoutsakos，2005年）手动跟踪细胞质心位置交叉手动免费http://rsb.info.nih.gov/ij/plugins/[Fabrice Cordelie`res]平台跟踪/跟踪.thtmliTrack4U单细胞追踪速度加速度跨平台汽车免费https://omictools.com/itrack4u-（Cordelières et al. 、角度，持久性，统计信息工具2013年度）计算特征LineageTracker细胞核面积、细胞形状、细胞大小、细胞跨平台半免费网址：（Downey et al. ，2011年）谱系//go.warwick.ac.uk/bretschneider/U型轨道（Jaqaman细胞轨迹合并，细胞轨迹分裂，MATLAB; Win汽车免费http://lccb.hms.harvard.edu/等人，2008年）细胞位移software.htmlMtrackJ细胞质心位置，细胞ImageJ/Fij;手动免费http://rsb.info.nih.gov/ij/plugins/（Meijering et al. 、位移，细胞速度，细胞跨平台跟踪/跟踪.thtml2012年a）角度变化TrackMate细胞位移，细胞速度，细胞ImageJ/Fij：汽车免费http://fiji.sc/TrackMate（Jaqaman et al. ，2008年）方向，轨迹长度，轨迹跨平台位移（启用手动编辑轨道）活力细胞数量，细胞质心位置，Win/Mac汽车商业http://cellularimaging.perkinelmer的网站。[Perkin Elmer，USA]细胞表面积（2D），细胞体积com/products/volocity/demo/(3D)细胞位移，细胞速度SpotTracking细胞位移，细胞速度，交叉汽车免费http://www.bigwww.epfl.ch/sage/（Chenouard et al. 、轨迹编辑平台软/点跟踪器2013年度）高速铁路（马托夫细胞内微管动力学，MATLAB汽车免费http://lccb.hms.harvard.edu/等人，2010年）空间格局software.htmlDcellIQ（Li et al. 、定量、重现性和准确性MATLAB汽车免费http://www.cbi-tmhs.org/Dcelliq/（2010年）细胞动力学行为CellProfiler细胞位移，细胞速度，细胞跨平台汽车免费http://www.cellprofiler.org/（Carpenter et al. 、形态、面积、周长、坚固性，（2006年）形状因数，偏心率Farsight自动3D分割，分析跨平台汽车免费http://www.farsighttoolkit.og/（Bjornsson et al. 、三维的，描绘和分类（2008年）细胞核，计算定量联系和细胞过程plusTipTracker微管动力学跟踪，数据MATLAB汽车免费http://lccb.hms.harvard.edu/[Danuser实验室]可视化，统计处理software.html微管动力学DeepSeedM.D.以及支持图像处理功能（例如，图像中的数学和合法性能、对比度控制和管理、平滑、锐化、傅立叶分析、中值滤波和边缘检测）的同事。广泛的接受和可扩展的插件架构使其成为科学家广泛研究领域的强有力的选择。接下来，Schindelin et al. （2012年）提出斐济，一个开放源码软件工具，它带来了最新的imageJ的底层该工具使研究人员能够专注于为生物图像分析做出创造性答案的过程（Masuzzo et al. ，2016; Schindelin et al. ，2012）。有一些通用软件包，虽然没有调 整 以 支 持 生 物 模 拟 本 身 ， 但 可 以 用 于 生 物 建 模 ， 如Mathematica或MATLAB（Masuzzo et al. ，2016年）。N. Emami，Z.Sedaei和R.费尔杜西视觉信息学5（2021）17更专业的解决方案也是可用的，例如AceTree（Boyle et al. ，2006;Murray et al. ，2006）和ALES（Braun et al. ，2003）被设计用于细胞谱系的可视化、创建和分析。StarryNite（Murray et al. ，2006）已经专门为胚胎发生的研究而创建，除了分割和单个细胞追踪之外，还需要控制所有的细胞分裂和重建完整的细胞谱系树。Meijering等人（2012 b）LEVER 3-D结合了共聚焦荧光显微图像的5D和大组成的定量和可视化分析它自动分割、跟踪和谱系序列数据图像，然后让用户在立体3D屏幕中观察和编辑算法的结果，同时在2D屏幕中观察干细胞谱系树（Wait et al. ，2014年）。Ilastic平台是一个用户友好和易于实现的连接图像分类，分割和分析的使用特别是，它准备了基于分割和跟踪算法的某种专业机器学习的可访问性（Nketia等人，2017年）。Diatrackit提供了一个强大的新方法来分析移动粒子电影和基于一个创新的图形用户界面访问粒子跟踪显微镜和生物学家。 从颗粒检测、颗粒选择和颗粒跟踪的图像预处理开始，跟踪功能从上到下排列（Vallotton et al. ，2017年）。三轨在复杂的动力学中具有良好的性能，例如密集的反平行流，或者在物体错位明显的情况下。它在确定性动力学的存在下是有效的（Vallotton和Olivier，2013）。SpatTrack结合了几种用于颗粒跟踪和2D细胞图像分析的算法每个子程序都实现了图形用户界面（GUI），并与原跟踪程序连接它进行了可靠的囊泡跟踪和拟合颗粒的均方位错不同的扩散/传输模型。此外，在没有任何编程知识的情况下，准备了以多种方式分析跟踪的细胞内颗粒的可行性。Lund等人（2014年）。它是免费下载的。3.1. 细胞内细胞器细胞的常规功能对它们的基本作用在活的生物体中，蛋白质是细胞内和核内复合过程的结果，含有数千种蛋白质和其他细胞结构。例如，几天来的活细胞成像群体已经证明信号动力学可以管理细胞反应。因此，具有计算工具可以增加具有精确结果的细胞分析的效率，以便于更深入地理解分子和细胞的变化与神经元成熟的联系（Shahen et al. ，2018年）。 对几天活细胞成像的观察显示，信号传导动力学在控制细胞命运决定方面具有重要作用（Cooper et al. ，2017年）。胚胎的形态发生包括组织的变形和发育，这些过程通常在很短的时间尺度内迅速发生.组织变形通过局部细胞活动出现，包括细胞操纵、形态和/或大小变化以及细胞重组。体节是脊椎动物发育过程中由未分化的中胚层按一定顺序形成的成对的胚胎节。它们的瞬时结构非常重要，因为它们在躯干中产生肌肉骨骼系统细胞谱系。像骨骼肌，内皮细胞，骨骼，肌腱，和软骨。然而，基于体节分化过程中形态学变化的细胞动力学研究的文献却很少。通过这种方式，McColl et al. （2018）利用转基因鸡胚的活多光子图像检查了分离体节中的细胞重组和形态发生，表达膜结合的GEP。他们试图描述并实时定量单个细胞的行为，活的，生长的体节。他们明确地将研究的重点放在体节中适中或适侧两个主要部位细胞的动态线粒体为神经元提供能量需求。正确的定位是重要的，并通过运输系统来保证。一般来说，在神经元中，线粒体的运输是特别重要的，理由是为了促进神经元的功能，线粒体应该离开胞体并通过轴突和树突网络移动。异常线粒体运输已在各种神经障碍中表达因此，深入了解线粒体运输通过神经元成熟的基本机制是必不可少的，我们的知识基于神经元变性和其他神经系统疾病的致病性变化。有一些可用的宏用作进行线粒体的不同分析的辅助，例如MiNA（Valenteet al. ，2017）和KymoAnalyzer（Neumann etal. ，2017年）。
我的内容管理
展开
