Matycaba2016/Biohub/papers - Storage Bucket

Research Papers: 3D Cell Tracking & Lineage Reconstruction

Esta carpeta contiene los papers científicos oficiales y de acceso abierto fundamentales para resolver la competencia Biohub - Cell Tracking During Development (detección, seguimiento temporal y reconstrucción de linajes celulares en embriones de pez cebra en 4D).

---

Índice de Papers Descargados

#	Archivo	Título / Autores	Publicación / DOI	Enfoque Principal
01	01_Ultrack_Large_Scale_Cell_Tracking_Developing_Organisms.pdf	Ultrack: Large-scale cell tracking in developing organisms using overlapping segmentations Jordão Bragantini, Prachee Avasthi, Loïc A. Royer	Nature Methods / bioRxiv 10.1101/2023.08.08.551978	Método oficial de Biohub. Segmentaciones superpuestas candidatas + formulación ILP para resolver segmentación y tracking conjunto.
02	02_CVPR2020_MPM_Joint_Representation_Motion_Position_Map.pdf	MPM: Joint Representation of Motion and Position Map for Cell Tracking Junya Hayashida, Kazuya Nishimura, Ryoma Bise	CVPR 2020 (IEEE/CVF)	Estimación conjunta de mapa de posiciones de centroides y vectores de movimiento hacia adelante/atrás para matching temporal.
03	03_Trackastra_Tracking_Association_Transformers.pdf	Trackastra: Tracking by Association with Transformers Benjamin Gallusser, Martin Weigert	ECCV 2024 / bioRxiv 2405.19794	Asociación temporal aprendida mediante Transformers sobre ventanas temporales (detección frame a frame + grafo de enlaces).
04	04_ByoTrack_Unified_Framework_Biological_Object_Tracking.pdf	ByoTrack: A Unified Framework for Biological Object Tracking Raphaël Reme, Anatole Chessel, Jean-Christophe Olivo-Marin, Thibault Lagache	IEEE TPAMI / arXiv 2303.07807	Framework unificado de tracking biológico y optimización global de trayectorias.
05	05_LapTrack_Linear_Assignment_Particle_Tracking.pdf	LapTrack: Linear Assignment Particle Tracking with Versatile Feature Spaces Yutaro Fukai, Kyogo Kawaguchi	Bioinformatics 2023 10.1093/bioinformatics/btad107	Tracking rápido por Linear Assignment Problem (LAP) que soporta división celular, gaps temporales y distancias multidimensionales.
06	06_EmbedTrack_Cell_Segmentation_Tracking_Embeddings.pdf	EmbedTrack: Simultaneous Cell Segmentation and Tracking Through Learning Embeddings Katharina Löffler, Ralf Mikut	IEEE Transactions on Medical Imaging 2103.03615	Aprendizaje de embeddings métricos espacio-temporales para clusterizar instancias y propagar identidades a lo largo del tiempo.
07	07_Conservation_Tracking_ILP_Global_Optimization.pdf	Conservation Tracking: Global Optimization for Cell Tracking with Lineage Divisions Florian Jug, Evgeny Levinkov, Bjoern Andres, Gene Myers	ICCV	Formulación de Programación Lineal Entera (ILP) con conservación de flujo para modelar trayectorias y eventos de mitosis.
08	08_StarDist3D_Cell_Detection_Polyhedra.pdf	StarDist 3D: Cell Detection in 3D Microscopy with Star-Convex Polyhedra Martin Weigert, Uwe Schmidt, et al.	WACV (IEEE)	Detección 3D robusta de objetos estrellados convexos (ideal para núcleos/células esféricas u ovoides de pez cebra).
09	09_Motile_Multi_Object_Tracker_ILP.pdf	Motile: Multi-Object Tracker with Integer Linear Programming Funke Lab / Janelia Research Campus	bioRxiv / arXiv 2212.03061	Motor de optimización ILP modular y escalable para grafos espacio-temporales en microscopía.
10	10_Hayashida_Cell_Division_Tracking_MICCAI.pdf	Cell Tracking with Cell Division Detection Using Motion and Position Map Junya Hayashida, Ryoma Bise	MICCAI	Detección explícita de eventos de bifurcación/división mitótica combinada con mapas de movimiento.
11	11_ELEKTRONN3_3D_CNN_Segmentation.pdf	ELEKTRONN3: 3D CNNs for Dense Cellular Segmentation Martin Drawitsch et al.	arXiv 2006.01258	Arquitecturas 3D U-Net y estrategias de entrenamiento volumétrico eficiente en GPU.
12	12_Cellpose_Cell_Segmentation.pdf	Cellpose: A generalist algorithm for cellular segmentation Carsen Stringer, Tim Wang, Michalis Michaelos, Marius Pachitariu	Nature Methods	Predicción de mapas de flujo de gradiente para separar células contiguas y densas sin sobrefusionar.

---

Síntesis Estratégica para la Solución del Problema

El pipeline competitivo estándar se divide en 3 etapas complementarias:

1. Detección y Segmentación 3D (Frame a Frame)

• Modelos: 3D U-Net, StarDist 3D o representación de mapas de calor de centroides (Heatmaps Gaussianos / MPM).
• Entrada: Volúmenes $Z \times Y \times X = 64 \times 256 \times 256$ descomprimidos con blosc2.
• Salida: Centroides de células $(t, z, y, x)$ escalados a unidades físicas ($Z=1.625, Y=0.40625, X=0.40625,\mu\text{m}$).

2. Asociación Temporal y Detección de Mitosis

• Enfoque Heurístico / LAP (Baseline rápido): LapTrack o Hungarian algorithm (scipy.optimize.linear_sum_assignment) con cota de distancia física ($\le 15,\mu\text{m}$).
• Enfoque Basado en Aprendizaje: Trackastra (Transformers sobre candidatos) o MPM (vectores de flujo hacia adelante y atrás).
• Detección de Mitosis: Identificar nodos padre con 2 nodos hijos en $t+1$ que minimicen la distancia angular y la suma de distancias Euclideanass.

3. Optimización Global del Grafo de Linaje (ILP / DAG)

• Herramientas: motile o ultrack para resolver un Integer Linear Program: $$\min \sum_{e \in E} c_e x_e + \sum_{v \in V} c_v y_v$$ sujeto a restricciones de conservación de flujo (grado de entrada $\le 1$, grado de salida $\le 2$).