使用 TrackMate-Helper 定量比较追踪性能

数据集获取

源站：https://doi.org/10.5281/zenodo.6255991

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 264.0 MB。

数据说明

TrackMate现在提供多种检测和链接算法。这些算法中的每一个都需要配置一组参数，而这些参数可以取广泛的值。虽然这些参数的适当值通常可以直观地估计，但系统化的方法往往更为可取。实际上，当追踪许多对象时，通过视觉评估来优化追踪参数可能很困难。为此，我们开发了一个名为TrackMate-Helper的新工具，它对TrackMate中可用的任何检测器和追踪器组合执行自动参数扫描，并使用Cell-Tracking-Challenge（CTC）指标衡量追踪结果的准确性。TrackMate-Helper需要输入图像及相应的追踪地面真值。重要的是，TrackMate-Helper被构建为一个最终用户工具，具有用户友好的界面，便于配置对多种追踪参数组合的参数扫描。我们设想，这种系统化方法将有利于中等和高通量的自动追踪研究。通过在一个电影上优化追踪参数，用户将能够为其数据集的其他部分找到最优的追踪参数。

在此，我们使用TrackMate-Helper评估TrackMate在四个数据集上的性能，这些数据集涵盖了广泛的生物学和成像情境：使用荧光显微镜成像的迁移性癌细胞，以观察其细胞核。在此数据集中，细胞密集排列并在实验过程中分裂。使用相差显微镜成像的迁移性T细胞。脑膜炎奈瑟菌在琼脂垫上的生长。细菌被荧光标记以观察其细胞膜。从少数单个细菌开始，细胞迅速分裂数次并布满整个视野。使用高分辨率明场显微镜成像的胶质母细胞瘤-星形细胞瘤细胞。附表中报告了每种检测器和追踪器组合的最佳结果。我们测试了从3000到20000

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。