3D+t sejtgráf-kutatás
Hangoljuk a detekciót és a követést ugyanarra a célfüggvényre.
Állítsd a sejtsűrűséget, a mozgást, a detektor hibáit és a linkelési kaput. A szimuláció megmutatja, hogyan változik az él-, az osztódási és a kombinált pontszám.
score
= adjusted edge Jaccard + 0,1 × division Jaccard
Interaktív labor
Tracking-szimuláció
Valódi sejt
Illesztett predikció
Hamis predikció
Prediktált pálya
Célzott valós minta
Mit mutat az első EDA?
52 címkézett pont a 25 755 becsült teljes csomópontból.
A 95. percentilis 6,292 µm, a maximum 7,814 µm.
A `(1,4,4)` pooling közel izotróp munkateret ad.
Képkockánkénti eltolódás
A p99 intenzitás közel 25%-ot változott
Az abszolút küszöb helyett képkockánkénti kvantilisnormalizálást érdemes tesztelni.
Lezárt és folyamatban lévő hipotézisek
Kontrollált kísérleti eredmények
Korábbi H1 · anizotrópia-korrekció
A `(1,4,4)` pooling aggregáltan támogatott
Két külön embrió teljes mintáján, 913 annotált node-on és 895 élen hasonlítottuk össze a nyers, `(1,2,2)` és `(1,4,4)` reprezentációt.
82,29 s → 13,49 s
83,44 s → 12,26 s
0,7937 → 0,8056
0,7954 → 0,8088
Lezárási döntés
A `(1,4,4)` pooling marad a gyors detektálási reprezentáció. A sebességelőny mindkét embrión erős volt, de az end-to-end tracking nem egyenletes; ezt külön linker- és adaptív pooling-hipotézisek vizsgálják.
Korábbi H1 · kvantilisnormalizálás
Az általános stabilitási állítás nem igazolt
Két embrió 200 képkockáján, azonos teljes node-budget és tracker mellett vetettük össze az abszolút küszöböt a képkockánkénti robusztus kvantilisskálázással.
0,730 → 0,254
0,483 → 0,119
0,040 → 0,046
0,031 → 0,034
Lezárási döntés
A kvantilisskálázás fényerő-invariáns előfeldolgozásként megtartható, és az edge recall nem romlott. A képkockaközi ingadozást azonban nem csökkentette, ezért a temporális stabilitást külön trend- és sűrűségfüggő küszöbvezérlővel vizsgáljuk tovább.
Korábbi H1 · node-budget kalibráció
A kalibráció számít, de az optimum embriófüggő
Két embrió 200 képkockáján 25–80% között söpörtük a becsült node-számhoz viszonyított budgetet, változatlan detektorral és 9 µm-es trackerrel.
Adjusted edge J = 0,8326
Adjusted edge J = 0,8179
Legrosszabb embrió: 0,7422
Adjusted edge J = 0,8097
Lezárási döntés
A 0,8–1,1 node-ratio cél nem igazolódott, és nincs egyetlen embriófüggetlen optimum. Fix kiindulópontként 50%-ot használunk; következőként a budgetet és a trackingkaput közös rácsban kalibráljuk.
Aktív H2 · embrió-szintű validáció
A random frame-split erősen optimista
A lezárt node-budget predikciókon ugyanazt a paraméterválasztást hasonlítottuk össze véletlen frame-foldokon és teljes embriót kizáró foldokon.
Mind az 5 fold 65%-ot választott
Másik embrióra átvitt választás
Adjusted edge Jaccard
Kötelező GroupKFold-protokoll
7/8/9/10/12 µm · szigorúan validált CSV-k
Közbenső döntés
Modell- és hiperparaméter-választásra kizárólag a leave-one-embryo-out séma használható. Az első öt leaderboard-futás izolált node-ok miatt formátumhibás volt, ezért nem számít bizonyítéknak. A javított fájlok nulla izolált node-dal készen állnak a következő napi kvótára; H2 addig aktív marad.
Újraszámozott aktív backlog
Tizenkilenc nyitott hipotézis
A node-budget H1 lezárása után minden nyitott elem eggyel előrébb került. A lista végén a budget és a trackingkapu közös kalibrációját célzó új hipotézis áll.
P0
Azonnal mérendő
-
H1
9–10 µm trackingkapu
A 7 µm-es értékelési kapunál tágabb jelöltkapu növelheti az edge recallt.
-
H2
Embrió-szintű validáció
Helyileg támogatott: 0,8097 frame-CV kontra 0,6089 embrió-held-out. Öt javított, validált gate-variáns újrabeadása következik.
-
H3
Baseline konvergencia
A hivatalos U-Net + transformer hosszabb tanítása alacsony kockázatú javulást adhat.
P1
Nagy várható hatás
-
H4
Unlabeled-ignore heatmap
A nem annotált hátteret figyelmen kívül hagyó loss jobb lehet a naiv negatív címkézésnél.
-
H5
Tanár–diák pszeudocímkézés
A megbízható pszeudocímkék növelhetik a recallt elfogadható node-budget mellett.
-
H6
Mozgásprioros linkelés
A sebesség- és szomszédsági prior csökkentheti a sűrű régiók ID-cseréit.
-
H7
Globális min-cost-flow
A globális gráfoptimalizálás jobb lehet a képkockánkénti Hungarian linkelésnél.
-
H8
Szubvoxel centroidfinomítás
A tanult offset head javíthatja a 7 µm-es node matchinget.
-
H9
Adaptív detektálási küszöb
Az embrió-, sűrűség- és trendfüggő vezérlés jobb lehet egyetlen globális küszöbnél.
P2
Célzott pontszerzés és robusztusság
-
H10
Külön division head
A konzervatív osztódási fej javíthatja a division score-t az élek rontása nélkül.
-
H11
±1 frame division-window
Az időablakos pozitív címkék jobban illeszkedhetnek a hivatalos metrikához.
-
H12
Egyképkockás gap closing
Egy kihagyott képkocka áthidalása növelheti az edge recallt valódi occlusion esetén.
-
H13
Detektor-fúzió
A klasszikus peak, U-Net heatmap és TTA jelöltjeinek egyesítése növelheti a recallt.
-
H14
Rövid-track szűrés
Az izolált és 1–2 frame hosszú pályák eltávolítása javíthatja a node-budgetet.
-
H15
12 órás pipeline
Az int8/fp16 és chunk-streaming pontvesztés nélkül tarthatja a notebookkorlátot.
ÚJ
A lezárt pooling-vizsgálatból
-
H16
Natív felbontású linker-finomítás
A pooled detekciók natív koordináta- és feature-finomítása helyreállíthatja a `44b6` edge-score-ját legalább 4× gyorsulás mellett.
-
H17
Adaptív poolingfaktor
Az embrió vagy sűrűség alapján választott `(1,2,2)`/`(1,4,4)` faktor jobb lehet egyetlen fix beállításnál.
ÚJ
A lezárt normalizálási vizsgálatból
-
H18
Temporális küszöbvezérlés
Az EMA- vagy hiszterézis-alapú küszöbvezérlő csökkentheti a frame-ek közötti node-count ingadozást edge-recall veszteség nélkül.
ÚJ
A lezárt node-budget vizsgálatból
-
H19
Közös budget × trackingkapu kalibráció
A node-budget és a trackingkapu közös rácsa jobb és embrió-stabilabb eredményt adhat, mint a két paraméter külön optimalizálása.