《Frontiers in Bioinformatics》：An automated cell-tracking pipeline for the analysis of neutrophil dynamics
编辑推荐：
本研究针对中性粒细胞（Neutrophil）高动态迁移难以精准量化的问题，开发了集细胞分割、帧间运动追踪与轨迹链接于一体的自动化分析流程。该流程利用U-Net深度学习模型结合扩展Viterbi算法，显著提升了在复杂生理环境下（如斑马鱼尾部损伤模型）细胞轨迹的准确性与鲁棒性，为免疫细胞动力学研究提供了可靠工具。
在生物医学研究中，中性粒细胞（Neutrophils）作为先天免疫系统的“第一反应者”，其趋化、迁移行为是炎症反应与组织修复的核心环节。然而，由于中性粒细胞运动具有高度动态性、常伴随细胞间碰撞与分裂等复杂行为，传统的显微成像分析难以实现精准、自动化的轨迹追踪。手动追踪不仅耗时耗力，且在高通量数据面前几乎不可行；而现有自动化工具（如TrackMate、CellProfiler）在处理活体（in vivo）复杂场景时，往往难以应对细胞出现、消失、合并（merging）及分裂（splitting）等事件，导致轨迹断裂或误连，严重影响后续迁移参数（如速度、位移）的定量准确性。因此，开发一种能够适应活体高动态环境的鲁棒性细胞追踪 pipeline，对于揭示免疫细胞在生理条件下的调控机制具有迫切需求。
针对这一挑战，发表在《Frontiers in Bioinformatics》上的这项研究，提出了一套融合深度学习与动态规划的自动化细胞追踪解决方案。该研究以斑马鱼尾部损伤模型为实验背景，构建了包含图像预处理、U-Net细胞分割、U-Net帧间关联预测以及扩展Viterbi轨迹链接的完整流程。研究结果表明，该 pipeline 在复杂迁移场景下显著优于传统的最近邻（Nearest-Neighbor）或核密度估计（KDE）等方法，为免疫细胞动力学研究提供了可靠的技术支撑。
关键技术方法概述
研究利用Tg(mpeg1:mCherry-F); TgBAC(mpx:EGFP)斑马鱼幼虫（3 dpf）建立尾部损伤模型，通过共聚焦显微镜（Leica TCS SP8）采集2小时（1分钟间隔）的3D+t时序图像，并采用最大强度投影（Maximum Intensity Projection）转换为2D序列用于分析。技术核心包括：（1）图像预处理（对比度增强、中值滤波去噪、高斯平滑）；（2）基于U-Net的细胞实例分割；（3）构建双帧输入（当前帧掩码+下一帧原图）的U-Net跟踪模型，预测细胞关联概率矩阵；（4）设计扩展Viterbi算法，引入针对细胞分裂/合并等事件的启发式规则，实现多目标轨迹全局最优链接。
2.1 图像采集与预处理优化
样本与成像：研究采用3天受精后（3 dpf）的斑马鱼幼虫，在尾部损伤后1至3小时进行活体成像。共聚焦显微镜以1分钟间隔采集8层Z-stack（512 × 512 × 8），层间距5–6 μm，覆盖约35–42 μm的组织厚度。每个时序包含约120帧，每帧平均容纳10–40个中性粒细胞，共计20个序列。
2D投影与质量增强：由于斑马鱼尾鳍组织极薄，研究将3D堆栈进行最大强度投影转换为2D图像，以聚焦于2D平面内的追踪问题。针对原始图像信噪比低、细胞边界模糊的问题，流程依次执行对比度拉伸、中值滤波（去噪）和高斯模糊（平滑），显著提升了细胞区域的辨识度，为后续分割奠定了质量基础。
2.2 U-Net分割模型构建与优化
模型选择：研究对比了阈值法（如Otsu）、分水岭算法（Watershed）及深度学习模型，最终确定U-Net架构为细胞分割的最佳方案。U-Net凭借其编码器-解码器结构及跳跃连接，在生物医学图像分割中具有轻量且高效的特性。
实例分割实现：针对原始U-Net仅输出语义分割（前景/背景）而无法区分重叠细胞的局限，研究采用“编码器+双解码器”结构配合分水岭后处理，实现了实例级细胞分割。该方法在IEEE ISBI 2020细胞追踪挑战赛相关任务中表现出色，能够有效分离碰撞或粘连的细胞对象。
2.3 U-Net跟踪模型与关联概率计算
输入设计：不同于传统的手工特征（如距离、形状）匹配，研究设计了一个专门的U-Net模型用于帧间关联。模型输入包括当前帧的细胞掩码（Mask）和下一帧的原始图像，通过卷积网络自动学习细胞的运动模式与外观特征。
概率输出：模型输出为“种子”（Seed）和“子代”（Daughter）两类概率图，分别代表细胞在当前帧的位置延续概率和在下一帧的新位置概率。通过计算这两类概率的联合矩阵，得到每对细胞（前一帧细胞i与后一帧细胞j）的关联得分，该得分作为后续Viterbi算法的观测概率依据。
2.4 扩展Viterbi算法与轨迹链接
基础算法：标准Viterbi算法是一种基于动态规划的全局最优路径搜索算法，常用于隐马尔可夫模型（HMM）的状态解码。在细胞追踪中，它将每个细胞视为一个状态，通过最大化累积概率（或得分）来寻找最可能的轨迹序列。
扩展与启发式规则：为了处理活体环境中细胞分裂、合并、进入视野（Appearing）和离开视野（Disappearing）等复杂事件，研究对标准算法进行了扩展：
- •
分裂事件：允许一个“母细胞”在下一帧关联多个“子细胞”，并设置分裂概率阈值。
- •
合并事件：处理多个细胞聚集后又被分割的情况，避免生成虚假轨迹。
- •
进出视野：引入虚拟的“开始”和“结束”节点，动态管理轨迹的生命周期。
这一扩展显著降低了错误识别追踪器（FIT）和错误识别对象（FIO）的比例。
3. 性能评估与结果
评价指标：研究采用四项主要指标进行评估：错误识别追踪器（FIT，越低越好）、错误识别对象（FIO，越低越好）、轨迹纯度（TP，越高越好）和对象纯度（OP，越高越好）。
对比实验：将提出的 pipeline 与三种代表性方法进行对比：Yan等人（2009）的KDE均值漂移法、Lugagne等人（2020）的U-Net+最近邻法、以及Atsuki等人（2015）的方法。
结果展示：本研究方法取得了最优的综合性能，FIT均值低至0.010，FIO均值为0.173，TP均值高达0.763，OP均值为0.299。这表明该流程在保持轨迹连续性和准确性方面均优于现有方法，尤其在处理高动态、高密度细胞群体时表现出更强的鲁棒性。
结论与意义
本研究成功构建了一个针对活体中性粒细胞迁移的自动化追踪 pipeline，其核心贡献在于：
- 1.
数据集建设：建立了斑马鱼模型下中性粒细胞迁移的标注数据集，为社区提供了宝贵的基准数据。
- 2.
技术整合：创新性地将U-Net的分割能力与扩展Viterbi算法的全局推理能力相结合，实现了“分割-关联-链接”的全流程自动化。
- 3.
算法创新：设计的扩展Viterbi算法通过引入针对细胞行为的启发式规则，有效解决了复杂生物事件（分裂/合并）的建模难题。
该工作不仅为免疫学家提供了分析中性粒细胞趋化、滞留等行为的量化工具，其提出的深度学习与动态规划融合框架，也为更广泛的生物粒子（如细菌、外泌体）追踪任务提供了可复用的技术范式。
