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

Kombinált score 0,000 Sűrű ground-truth közelítés

Adjusted edge Jaccard 0,000 TP 0 · FP 0 · FN 0

Division Jaccard 0,000 TP 0 · FP 0 · FN 0

Prediktált / valódi node 0,00× Node-büntetés: 1,000×

Célzott valós minta

Mit mutat az első EDA?

Kaggle versenyoldal ↗

Annotációs lefedettség 0,202%

52 címkézett pont a 25 755 becsült teljes csomópontból.

Medián mozgás 2,883 µm

A 95. percentilis 6,292 µm, a maximum 7,814 µm.

Voxelméret z : xy 4 : 1

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 hipotézisek

Kontrollált kísérleti eredmények

2 vizsgálat

Korábbi H1 · anizotrópia-korrekció

A `(1,4,4)` pooling aggregáltan támogatott

Feltételesen 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.

Gyorsulás · p90 6,10×

82,29 s → 13,49 s

Gyorsulás · p95 6,81×

83,44 s → 12,26 s

Adjusted edge J · p90 +0,0120

0,7937 → 0,8056

Adjusted edge J · p95 +0,0134

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

Nem igazolt

Két embrió 200 képkockáján, azonos teljes node-budget és tracker mellett vetettük össze az abszolút küszöböt a képkockánkénti robusztus kvantilisskálázással.

Fényerőkapcsolat · 50% budget −65,2%

0,730 → 0,254

Fényerőkapcsolat · 65% budget −75,4%

0,483 → 0,119

Frame-változás · 50% budget +15,0%

0,040 → 0,046

Frame-változás · 65% budget +9,7%

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.

Újraszámozott aktív backlog

Tizenkilenc nyitott hipotézis

A kvantilisnormalizálási H1 lezárása után minden nyitott elem eggyel előrébb került. A lista végén a képkockaközi ingadozást célzó új temporális hipotézis áll.

Azonnal mérendő

H1
Node-budget kalibráció
A küszöböt a becsült teljes sejtszámhoz kell igazítani a túlpredikciós büntetés miatt.
H2
9–10 µm trackingkapu
A 7 µm-es értékelési kapunál tágabb jelöltkapu növelheti az edge recallt.
H3
Embrió-szintű validáció
A rejtett teszt embrió-diszjunkt, ezért GroupKFold szükséges az őszinte validációhoz.
H4
Baseline konvergencia
A hivatalos U-Net + transformer hosszabb tanítása alacsony kockázatú javulást adhat.

Nagy várható hatás

H5
Unlabeled-ignore heatmap
A nem annotált hátteret figyelmen kívül hagyó loss jobb lehet a naiv negatív címkézésnél.
H6
Tanár–diák pszeudocímkézés
A megbízható pszeudocímkék növelhetik a recallt elfogadható node-budget mellett.
H7
Mozgásprioros linkelés
A sebesség- és szomszédsági prior csökkentheti a sűrű régiók ID-cseréit.
H8
Globális min-cost-flow
A globális gráfoptimalizálás jobb lehet a képkockánkénti Hungarian linkelésnél.
H9
Szubvoxel centroidfinomítás
A tanult offset head javíthatja a 7 µm-es node matchinget.
H10
Adaptív detektálási küszöb
Az embrió-, sűrűség- és trendfüggő vezérlés jobb lehet egyetlen globális küszöbnél.

Célzott pontszerzés és robusztusság

H11
Külön division head
A konzervatív osztódási fej javíthatja a division score-t az élek rontása nélkül.
H12
±1 frame division-window
Az időablakos pozitív címkék jobban illeszkedhetnek a hivatalos metrikához.
H13
Egyképkockás gap closing
Egy kihagyott képkocka áthidalása növelheti az edge recallt valódi occlusion esetén.
H14
Detektor-fúzió
A klasszikus peak, U-Net heatmap és TTA jelöltjeinek egyesítése növelheti a recallt.
H15
Rövid-track szűrés
Az izolált és 1–2 frame hosszú pályák eltávolítása javíthatja a node-budgetet.
H16
12 órás pipeline
Az int8/fp16 és chunk-streaming pontvesztés nélkül tarthatja a notebookkorlátot.

ÚJ

A lezárt pooling-vizsgálatból

H17
Natív felbontású linker-finomítás
A pooled detekciók natív koordináta- és feature-finomítása helyreállíthatja a `44b6` edge-score-ját legalább 4× gyorsulás mellett.
H18
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

H19
Temporális küszöbvezérlés
Az EMA- vagy hiszterézis-alapú küszöbvezérlő csökkentheti a frame-ek közötti node-count ingadozást edge-recall veszteség nélkül.