🔬 Segmentation et Tracking de Cellules HeLa par CNN

Pipeline complet de segmentation d'instances et tracking de cellules HeLa utilisant un reseau U-Net pour le Cell Tracking Challenge.

📊 Dataset

Fluo-N2DL-HeLa - Cellules HeLa avec marqueur nucleaire H2b-GFP

• Microscope: Olympus IX81
• Objectif: Plan 10x/0.4
• Resolution spatiale: 0.645 x 0.645 µm/pixel
• Resolution temporelle: 30 minutes entre frames
• Source: Cell Tracking Challenge

🎯 Approche

1. Segmentation par U-Net

Architecture: U-Net avec encodeur-decodeur

• Entree: Images grayscale (1 canal)
• Sortie: 3 classes (background, cellule, bordure)
• Base filters: 32
• Total parametres: ~7.7M

Strategie 3 classes:

• Classe 0: Background
• Classe 1: Interieur des cellules (apres erosion)
• Classe 2: Bordures entre cellules → permet de separer les instances qui se touchent

2. Post-traitement

Watershed pour separation d'instances:

• Marqueurs: interieurs des cellules (classe 1 sans bordures)
• Elevation: probabilite de la classe cellule
• Nettoyage: suppression des petits objets (<150 pixels)

3. Tracking

Association par IoU + distance:

• Score combine: iou - (distance/max_distance) * 0.3
• Seuil IoU: 0.35
• Distance max: 80 pixels (~52 µm)

⚙️ Parametres de Tuning

Entrainement

Parametre	Valeur	Role
Learning rate	1e-3	Vitesse convergence
Optimizer	Adam	Optimisation adaptative
Weight decay	1e-5	Regularisation L2
Batch size	2	Limite memoire GPU
Epochs	50	Iterations
Class weights	[0.1, 1.0, 2.0]	Balance bg/cell/border
Scheduler	ReduceLROnPlateau	Adaptation LR

Post-traitement

Parametre	Valeur	Role
threshold_cell	0.5	Seuil probabilite cellule
threshold_border	0.3	Seuil probabilite bordure
min_size	150 pixels	Taille min cellule
erosion_radius	2	Rayon pour marqueurs

Tracking

Parametre	Valeur	Role
iou_threshold	0.35	Seuil chevauchement
max_distance	80 pixels	Distance max centroide
min_track_length	5 frames	Longueur min track

🚀 Installation et Utilisation

Installation des dependances

pip install -r requirements.txt

Lancement du pipeline complet

python cell_segmentation_tracking.py

Le script va:

1. Charger les donnees d'entrainement (Trainset/01 et 02)
2. Entrainer le modele U-Net (50 epochs)
3. Sauvegarder le meilleur modele (best_unet_model.pth)
4. Effectuer l'inference sur Testset/01
5. Generer les segmentations et tracks dans Results/

📁 Structure des Resultats

Results/
├── SEG/
│   ├── mask000.tif
│   ├── mask001.tif
│   └── ...
├── tracks.txt
└── training_curves.png

• SEG/: Masques de segmentation (format uint16, 1 label par cellule)
• tracks.txt: Format Cell Tracking Challenge (id, start, end, parent)
• training_curves.png: Courbes de loss train/val

📊 Metriques d'Evaluation

Pour evaluer avec le Cell Tracking Challenge:

1. SEG: Segmentation accuracy (IoU-based)
2. DET: Detection accuracy (TP, FP, FN)
3. TRA: Tracking accuracy (associations correctes)

🔧 Ameliorations Possibles

Court terme

• ✅ Augmentation de donnees (rotations, flips)
• ✅ Tester Dice Loss ou Focal Loss
• ✅ Ajuster les seuils de post-traitement

Long terme

• 🔄 Utiliser ResNet/EfficientNet comme encodeur
• 🎯 Ajouter des modules d'attention (Attention U-Net)
• 🌱 Detecter les divisions cellulaires
• 🔮 Kalman filter pour prediction de trajectoire
• 🌐 Graph Neural Networks pour tracking global

📚 References

• U-Net: Ronneberger et al. (2015) - "U-Net: Convolutional Networks for Biomedical Image Segmentation"
• Cell Tracking Challenge: Ulman et al. (2017) - "An objective comparison of cell-tracking algorithms"
• Dataset: Mitocheck Consortium

👨‍💻 Auteur

Cree avec ❤️ pour le TP3 d'imagerie biomedicale

📝 Commentaires Techniques

Choix d'architecture

• U-Net est le standard pour la segmentation biomedicale
• 3 classes permettent de gerer les cellules adjacentes
• Base filters = 32 est un bon compromis capacite/memoire

Choix d'hyperparametres

• LR = 1e-3 avec ReduceLROnPlateau: convergence stable
• Class weights adaptes au desequilibre (beaucoup de bg)
• Batch size = 2: limite par la taille des images (~1k x 1k)

Choix de tracking

• IoU + distance: simple et efficace
• Seuil 0.35: balance entre precision et rappel
• Max distance 80px: couvre les mouvements biologiques

Limitations

• Pas de detection de divisions cellulaires
• Tracking local (frame-to-frame) sans optimisation globale
• Pas de gestion des occlusions