Self-tuned object tracking algorithm for live-cell bright field time-lapse microscopy

Abstract

This thesis presents a novel self-tuned object tracking algorithm specifically designed for live-cell brightf ield time-lapse microscopy. The primary motivation for this project stems from the challenge of analyzing cell behavior over time using bright-field microscopy images, which are typically more challenging to process compared to fluorescence microscopy due to lower contrast and noise. The Damage Proliferation Phenomenon (DPP), a significant contributor to multiresistant and aggressive cancer phenotypes, plays a central role in this investigation. The proposed tracking algorithm leverages machine learning and pattern recognition techniques to address this challenge. By utilizing Bayesian optimization and gradient descent methods, the algorithm achieves robust performance in tracking cells across multiple time-series images, offering a solution to limitations posed by traditional manual observation and segmentation methods. This tool can significantly aid in understanding cancer cell behavior, improving diagnosis, and informing treatment strategies. The study includes a comprehensive review of the current state of the art, comparisons of various segmentation algorithms, and tests the developed algorithm using real-world datasets from live-cell microscopy. Results show improvements in tracking accuracy, particularly in detecting DPP-related behaviors, and provide insights into potential future enhancements.Esta tesis presenta un novedoso algoritmo de seguimiento de objetos autotunado, diseñado específicamente para la microscopía de campo claro de células vivas con intervalos de tiempo. La principal motivación para este proyecto proviene del desafío de analizar el comportamiento celular a lo largo del tiempo utilizando imágenes de microscopía de campo claro, que suelen ser más difíciles de procesar en comparación con la microscopía de fluorescencia debido al menor contraste y al ruido. El Fenómeno de Proliferación de Daños (DPP), un importante contribuyente a los fenotipos de cáncer multirresistentes y agresivos, desempeña un papel central en esta investigación. El algoritmo de seguimiento propuesto utiliza técnicas de aprendizaje automático y reconocimiento de patrones para abordar este desafío. Mediante el uso de optimización bayesiana y métodos de descenso de gradiente, el algoritmo logra un rendimiento robusto en el seguimiento de células a lo largo de múltiples imágenes de series temporales, ofreciendo una solución a las limitaciones impuestas por los métodos tradicionales de observación y segmentación manual. Esta herramienta puede ayudar significativamente a comprender el comportamiento de las células cancerosas, mejorando el diagnóstico y proporcionando estrategias informadas de tratamiento. El estudio incluye una revisión exhaustiva del estado del arte, comparaciones de varios algoritmos de segmentación, y prueba el algoritmo desarrollado utilizando conjuntos de datos del mundo real provenientes de microscopía de células vivas. Los resultados muestran mejoras en la precisión del seguimiento, particularmente en la detección de comportamientos relacionados con el DPP, y proporcionan información sobre posibles mejoras futuras.