摘要

活细胞显微镜序列表现出复杂的时空结构和动态行为，使得其分析成为一项具有挑战性的任务。在细胞分割问题中，这一环节对于分析起着重要作用，可以利用卷积神经网络（CNNs）捕捉数据的空间特性。近期的研究表明，使用如U-Net等卷积编码器-解码器架构能够取得令人满意的分割结果。然而，这些方法由于无法整合时间信息而受到限制，这在分割相互接触的单个细胞或部分可见的细胞时尤为明显。为了充分利用细胞的动力学特性，我们提出了一种新颖的分割架构，该架构将卷积长短时记忆网络（C-LSTM）与U-Net相结合。网络的独特架构使其能够在C-LSTM的记忆单元中捕获多尺度、紧凑的时空编码。该方法在细胞追踪挑战赛中进行了评估，并取得了最先进的成果（在Fluo-N2DH-SIM+数据集上排名第一，在DIC-C2DL-HeLa数据集上排名第二）。代码已免费提供，可从以下地址获取：https://github.com/arbellea/LSTM-UNet.git