Understanding how cells change and move during a period of time under different conditions is essential to understanding cell migration and its multiple implications in scientific research. But segmenting and tracking moving cells in a time-lapse database is a slow and tiresome task if performed manually. Because of this, algorithms to automate these tasks are needed and have been continuously developed during the last years. However, cell segmentation and tracking become challenging when the data is obtained with phase-contrast microscopy (PCM). When working with PCM, the best results are obtained with the use of deep learning architectures. In this thesis the different tools and techniques for segmentation and tracking of cells in phase-contrast microscopy are studied. After this, a challenging database is introduced with the goal of defining a pipeline implementation to segment and track the cells appearing in the multiple time-lapses of the database. The additional complexity of the database comes from the fact that it is not labelled for cell segmentation. Therefore, traditional computer vision algorithms have also been studied in this thesis, and applied in order to label the database automatically. After this, deep learning techniques for cell segmentation and tracking have been applied. The results demonstrate that, despite the challenges, the combination of software works and is capable to segment and track the cells in each of the frames of the different time-lapses.
Entender cómo las células cambian de forma y se mueven durante un período de tiempo bajo diferentes condiciones es esencial para comprender la migración celular y sus múltiples implicaciones en la investigación científica. Pero detectar, segmentar y hacer el seguimiento (tracking) de células es una tarea lenta y tediosa si se realiza manualmente. Debido a esto, los algoritmos para automatizar estas tareas son indispensables y se han popularizado durante los últimos años. Sin embargo, la complejidad de la segmentación y el tracking de células automáticos aumenta cuando las imágenes se obtienen con la tecnología de microscopía de contraste de fase (PCM, de phase-contrast microscopy). Por este motivo, cuando se trabaja con PCM, los mejores resultados se obtienen con el uso de arquitecturas de aprendizaje profundo. En esta tesis se estudian las diferentes herramientas y técnicas para la segmentación y el seguimiento de las células en microscopía de contraste de fase. Después de esto, se presenta una base de datos compleja con el objetivo de definir una implementación en cadena para segmentar y hacer el seguimiento de las células que aparecen en los múltiples intervalos de tiempo de la base de datos. La complejidad adicional de la base de datos proviene del hecho de que no está debidamente etiquetada para la segmentación celular. Por este motivo, diferentes algoritmos tradicionales de visión por computador también se han estudiado en esta tesis y se han aplicado para etiquetar la base de datos automáticamente. Una vez etiquetada, se han aplicado técnicas de aprendizaje profundo para la segmentación y el tracking de las células. Los resultados demuestran que, a pesar de los desafíos, la combinación de software funciona y es capaz de segmentar y hacer el seguimiento de las células en cada una de las imágenes de las secuencias time-lapse.
Entendre com les cèl·lules canvien de forma i es mouen durant un període de temps i sota unes condicions especifiques és essencial per comprendre la migració cel·lular i les seves múltiples implicacions en la recerca científica. Però detectar, segmentar i fer el seguiment (tracking) de cèl·lules és una feina lenta i tediosa si es realitza de forma manual. Per aquest motiu, els algoritmes per automatitzar aquestes tasques són indispensables i s'han popularitzat durant els últims anys. Tanmateix, la complexitat de tant la segmentació com el tracking de cèl·lules automàtic augmenta quan les imatges s'obtenen amb la tècnica de microscòpia de contrast de fase (PCM, de phase-contrast microscopy). Per aquest motiu, quan es treballa amb PCM, els millors resultats s'obtenen fent ús d'arquitectures d'aprenentatge profund. En aquesta tesi s'estudien les diferents eines per la segmentació i el seguiment de cèl·lules en microscòpia de contrast de fase. Seguidament, es presenta una base de dades complexa amb l'objectiu de definir una metodologia per la implementació de la segmentació i el tracking de cèl·lules en les imatges de la base de dades. La complexitat addicional ve donada pel fet que la base de dades no està degudament etiquetada per la segmentació. Per aquesta raó, diferents algoritmes tradicionals de visió per computador també s'han estudiat i aplicat per etiquetar la base de dades automàticament. Un cop etiquetada, s'han aplicat diferents tècniques d'aprenentatge profund per a la segmentació i el seguiment de les cèl·lules. Els resultats demostren que, tot i la complexitat de la base de dades, la combinació de software funciona i es capaç de segmentar i fer el seguiment de les cèl·lules en cada una de les seqüències time-lapse.
