The increasing use of microfluidics in industrial, biomedical, and clinical applications requires a more and more precise control of the microfluidic flows and suspended particles or cells. This leads to higher demands in three-dimensional and automated particle tracking methods, e.g. for use in feedback-control systems. General Defocusing Particle Tracking (GDPT) is a 3D particle tracking method based on defocused particle images which is easy to use and requires standard laboratory equipment. In this work, we describe in details a fast and robust algorithm for performing GDPT, which is suitable for automatized and real-time applications. Its key feature is a fast, segmentation-free approach to identify particles and estimate their 3D position. This detection step is followed by a refinement and iteration step to improve accuracy and identification of overlapping particles. We show that the algorithm is versatile and can be applied to different types of images (darkfield and brightfield). We use synthetic image sets of varying particle concentration to evaluate the performance of the algorithm in terms of detected depth coordinate uncertainty, particle detection rate, and processing time. The algorithm is applied and validated on experimental images showing that it is robust towards background or illumination fluctuations. Finally, to test the algorithm on real-time applications, we use synthetic images to set up a simulation framework with experimentally-relevant parameters and where the true particle positions are known.

中文翻译：

---

一种用于一般散焦粒子跟踪的快速而稳健的算法

在工业、生物医学和临床应用中越来越多地使用微流体需要对微流体流动和悬浮颗粒或细胞进行越来越精确的控制。这导致对三维和自动粒子跟踪方法的更高要求，例如用于反馈控制系统。通用散焦粒子追踪（GDPT）是一种基于散焦粒子图像的3D粒子追踪方法，使用方便，需要标准的实验室设备。在这项工作中，我们详细描述了一种用于执行 GDPT 的快速且稳健的算法，该算法适用于自动化和实时应用程序。它的主要特点是一种快速、无分割的方法来识别粒子并估计它们的 3D 位置。此检测步骤之后是细化和迭代步骤，以提高重叠粒子的准确性和识别。我们表明该算法是通用的，可以应用于不同类型的图像（暗场和明场）。我们使用不同粒子浓度的合成图像集来评估算法在检测到的深度坐标不确定性、粒子检测率和处理时间方面的性能。该算法在实验图像上应用和验证，表明它对背景或光照波动具有鲁棒性。最后，为了在实时应用中测试算法，我们使用合成图像来建立一个具有实验相关参数和真实粒子位置已知的模拟框架。我们表明该算法是通用的，可以应用于不同类型的图像（暗场和明场）。我们使用不同粒子浓度的合成图像集来评估算法在检测到的深度坐标不确定性、粒子检测率和处理时间方面的性能。该算法在实验图像上应用和验证，表明它对背景或光照波动具有鲁棒性。最后，为了在实时应用中测试算法，我们使用合成图像来建立一个具有实验相关参数和真实粒子位置已知的模拟框架。我们表明该算法是通用的，可以应用于不同类型的图像（暗场和明场）。我们使用不同粒子浓度的合成图像集来评估算法在检测到的深度坐标不确定性、粒子检测率和处理时间方面的性能。该算法在实验图像上应用和验证，表明它对背景或光照波动具有鲁棒性。最后，为了在实时应用中测试算法，我们使用合成图像来建立一个具有实验相关参数和真实粒子位置已知的模拟框架。我们使用不同粒子浓度的合成图像集来评估算法在检测到的深度坐标不确定性、粒子检测率和处理时间方面的性能。该算法在实验图像上应用和验证，表明它对背景或光照波动具有鲁棒性。最后，为了在实时应用中测试算法，我们使用合成图像来建立一个具有实验相关参数和真实粒子位置已知的模拟框架。我们使用不同粒子浓度的合成图像集来评估算法在检测到的深度坐标不确定性、粒子检测率和处理时间方面的性能。该算法在实验图像上应用和验证，表明它对背景或光照波动具有鲁棒性。最后，为了在实时应用中测试算法，我们使用合成图像来建立一个具有实验相关参数和真实粒子位置已知的模拟框架。