ARGUS: быстрый трекинг клеток без нейросетей — точность до 0.97

ARGUS — это новый фреймворк для автоматического отслеживания клеток на таймлапс-микроскопии, который не требует обучения нейросетей и работает на обычном процессоре. Он сочетает адаптивное обнаружение клеток, оптический поток Фарнебека и линейное назначение между кадрами, а затем дорабатывает треки, соединяя фрагменты траекторий через короткие временные разрывы. В результате достигается точность обнаружения до 0.971 и точность трекинга до 0.964 на эталонных наборах данных Cell Tracking Challenge, при этом обработка одного кадра занимает всего 5–6 секунд.

Традиционные методы трекинга клеток часто требуют огромных размеченных датасетов для обучения глубоких нейросетей, что делает их недоступными для многих лабораторий. Другие подходы, не использующие машинное обучение, как правило, медленны или неточны. ARGUS решает эту проблему, предлагая легковесный и интерпретируемый алгоритм, который работает без GPU и может быть запущен на обычном ноутбуке. Это открывает возможности для биологов, не имеющих доступа к мощным вычислительным ресурсам, но нуждающихся в автоматическом анализе динамики клеток.

Как работает ARGUS

Фреймворк состоит из нескольких этапов. Сначала происходит адаптивное обнаружение клеток на каждом кадре с использованием пороговой обработки и морфологических операций. Затем вычисляется оптический поток по методу Фарнебека, который оценивает движение пикселей между последовательными кадрами. На основе этой информации строится матрица стоимости для линейного назначения — каждую клетку на текущем кадре сопоставляют с клеткой на предыдущем кадре, минимизируя общую стоимость перемещения. После этого треки дорабатываются: алгоритм ищет разрывы в траекториях (например, из-за временного исчезновения клетки за другим объектом) и соединяет фрагменты, если разрыв не превышает заданного порога.

Важно, что ARGUS не использует нейронные сети и не требует этапа обучения. Все параметры алгоритма настраиваются пользователем под конкретный эксперимент, что делает его гибким для разных типов микроскопии и биологических задач. Исходный код опубликован на GitHub под открытой лицензией, что позволяет исследователям адаптировать фреймворк под свои нужды.

Какие результаты показывает ARGUS на тестах?

На наборах данных Cell Tracking Challenge, которые включают различные типы клеток (от бактерий до клеток млекопитающих) и разные условия съёмки, ARGUS продемонстрировал высокую точность. Точность обнаружения (DET) варьировалась от 0.905 до 0.971 в зависимости от набора данных, а точность трекинга (TRA) — от 0.897 до 0.964. Эти показатели сопоставимы с лучшими методами, основанными на глубоком обучении, но без затрат на сбор разметки и обучение. Кроме того, ARGUS работает быстро: обработка трёх кадров занимает 5–6 секунд на CPU, что позволяет анализировать длительные таймлапс-видео за разумное время.

Почему ARGUS важен для биологии

Динамика клеток — ключевой аспект многих биологических процессов: иммунные взаимодействия, прогрессия рака, действие лекарств, регенерация тканей. Таймлапс-микроскопия позволяет наблюдать эти процессы, но ручной анализ тысяч кадров практически невозможен. Автоматический трекинг клеток даёт возможность количественно оценить скорости движения, траектории, деления и взаимодействия клеток. ARGUS делает такой анализ доступным для лабораторий, которые не могут позволить себе дорогие GPU или нанимать специалистов по глубокому обучению.

Фреймворк модульный и интерпретируемый: каждый этап (обнаружение, вычисление потока, назначение) можно заменить или настроить. Это позволяет адаптировать ARGUS под специфические задачи, например, для клеток с необычной морфологией или для микроскопии с низким контрастом. Благодаря открытому коду сообщество может вносить улучшения и расширять функциональность.

Какие ограничения есть у ARGUS?

На данный момент неизвестно, насколько хорошо ARGUS работает на данных с очень высокой плотностью клеток или с сильным перекрытием, когда клетки почти неразличимы. В таких сценариях адаптивное обнаружение может давать сбои, а оптический поток — терять соответствия. Также не указано, поддерживает ли ARGUS трёхмерные изображения (Z-stack), которые часто используются в современных микроскопах. Возможно, для объёмных данных потребуется модификация алгоритма или предварительная проекция.

Кроме того, ARGUS не отслеживает деления клеток — он соединяет треки только через короткие разрывы, но не обрабатывает события митоза. Для задач, где важно учитывать родословные клеток, потребуется дополнительный модуль.

Кому будет полезен ARGUS

Разработчикам методов компьютерного зрения в биологии ARGUS может служить базой для сравнения или отправной точкой для создания гибридных алгоритмов. Исследователям, изучающим динамику клеток — например, в иммунологии, онкологии или фармакологии — фреймворк позволит автоматизировать анализ и получать статистически значимые данные. Лаборатории без доступа к GPU смогут внедрить ARGUS на существующем оборудовании, экономя бюджет.

В целом, ARGUS — это шаг к демократизации количественной биологии, когда сложные методы анализа становятся доступны широкому кругу учёных.

Перспективы развития

Авторы планируют расширять ARGUS: добавлять поддержку 3D, улучшать обработку перекрытий, возможно, интегрировать лёгкую нейросеть для обнаружения делений. Открытый код позволяет сообществу участвовать в разработке. Если вы работаете с таймлапс-микроскопией, попробуйте ARGUS — возможно, он решит вашу задачу без сложного обучения.