[發(fā)明專利]一種基于PSO的多細(xì)胞位置輪廓同步精確跟蹤系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201410259368.X
• 申請(qǐng)日: 2014-06-12
• 公開（公告）號(hào): CN104063880B
• 公開（公告）日: 2017-01-25
• 發(fā)明（設(shè)計(jì)）人: 徐本連;任亞運(yùn);朱培逸;魯明麗;施健;蔣冬梅
• 申請(qǐng)（專利權(quán)）人: 常熟理工學(xué)院
• 主分類號(hào): G06T7/20
• 分類號(hào): G06T7/20
• 代理公司: 北京愛普納杰專利代理事務(wù)所(特殊普通合伙)11419
• 代理人: 何自剛,王玉松

技術(shù)領(lǐng)域

本發(fā)明提供了一種基于PSO的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，屬于細(xì)胞跟蹤領(lǐng)域。

背景技術(shù)

細(xì)胞是生命活動(dòng)的基本單位，是許多生物學(xué)過程中主要的表現(xiàn)者，對(duì)于任何有機(jī)生命的胚胎發(fā)育、進(jìn)化和生命維持，細(xì)胞的增殖、分化與遷移都是必不可少的環(huán)節(jié)。因此，對(duì)細(xì)胞行為分析的研究在很多領(lǐng)域都是非常有價(jià)值的，包括干細(xì)胞研究、組織工程學(xué)、藥物開發(fā)、基因?qū)W和蛋白質(zhì)組學(xué)等。例如，在發(fā)生炎癥的早期，白細(xì)胞會(huì)在毛細(xì)血管后微靜脈的內(nèi)表面滾動(dòng)，其滾動(dòng)速度能反映炎癥反應(yīng)的強(qiáng)度，揭露這些過程中的細(xì)胞機(jī)理有助于炎癥機(jī)制的理解和炎癥治療藥物的開發(fā)。對(duì)細(xì)胞行為的傳統(tǒng)分析方法是由專業(yè)人員觀測(cè)的人工方法或交互計(jì)算機(jī)輔助的半人工方法。當(dāng)大量細(xì)胞需要在長(zhǎng)時(shí)間中被跟蹤到時(shí)，此類方法需要大量的用戶交互的圖像處理工作，過程是很枯燥且費(fèi)時(shí)的。此外，這類方法很有可能引入用戶偏見和丟失重要信息，所以，開發(fā)一種精確的方法來自動(dòng)地跟蹤細(xì)胞是非常重要和有意義的。在過去的幾十年里，隨著數(shù)據(jù)處理和計(jì)算機(jī)視覺技術(shù)的迅速發(fā)展，開發(fā)出了許多細(xì)胞自動(dòng)跟蹤方法。

在細(xì)胞跟蹤領(lǐng)域，實(shí)現(xiàn)跟蹤方法的自動(dòng)化與精確性面臨著許多挑戰(zhàn)，主要來自兩個(gè)方面的因素，即細(xì)胞因素和圖像因素。細(xì)胞因素是指那些發(fā)生在細(xì)胞生命周期內(nèi)的復(fù)雜情況和多個(gè)細(xì)胞間的交互情況，例如由于細(xì)胞的分裂和死亡或者細(xì)胞進(jìn)入或離開圖像區(qū)域造成細(xì)胞數(shù)量的變化，細(xì)胞形狀變化、近鄰和重疊等復(fù)雜的細(xì)胞拓?fù)浣Y(jié)構(gòu)，此外缺乏一致的細(xì)胞運(yùn)動(dòng)模型，這些都是細(xì)胞跟蹤的重點(diǎn)與難點(diǎn)。圖像因素通常是指低的圖像質(zhì)量，由于生物體的呼吸而引起的顫抖、細(xì)胞進(jìn)入或離開共焦平面造成對(duì)比度的變化，使得所獲取的圖像質(zhì)量下降，也就是說細(xì)胞顯微鏡圖像具有低的信噪比(SNR)或?qū)Ρ榷龋咴肼?，此外也有圖像數(shù)據(jù)量很大的因素，加大了細(xì)胞跟蹤的難度。

目前存在的細(xì)胞自動(dòng)跟蹤方法可以分為三類，分別為基于檢測(cè)與關(guān)聯(lián)的跟蹤方法、基于模型演化的跟蹤方法和基于濾波與采樣的跟蹤方法?；跈z測(cè)與關(guān)聯(lián)的細(xì)胞跟蹤方法包含兩個(gè)主要步驟，即檢測(cè)和關(guān)聯(lián)。在第一步中，分別把每一幀中的細(xì)胞檢測(cè)出來，同時(shí)得到細(xì)胞 的數(shù)目和單個(gè)細(xì)胞的狀態(tài)(如何中心、面積等)，在細(xì)胞跟蹤系統(tǒng)中常用的檢測(cè)方法包括閾值法、梯度法(邊緣檢測(cè))、拓?fù)鋵W(xué)操作和分水嶺算法。在第二步中，在連續(xù)兩幀或多幀中檢測(cè)到的細(xì)胞被關(guān)聯(lián)起來，這樣就可以得到細(xì)胞的運(yùn)動(dòng)軌跡，此外還可以計(jì)算出細(xì)胞的運(yùn)動(dòng)參數(shù)如瞬時(shí)速度和加速度等，關(guān)聯(lián)通?；谧顑?yōu)化某一特定的目標(biāo)函數(shù)，例如最近鄰法和平滑運(yùn)動(dòng)準(zhǔn)則。但是在一些情況下，如圖像中細(xì)胞密度很大、細(xì)胞分裂事件和發(fā)生分割錯(cuò)誤時(shí)，此類跟蹤方法很可能會(huì)失敗。閾值法是最常用的檢測(cè)方法，但是對(duì)于視覺系統(tǒng)中的強(qiáng)度變化和圖像噪聲，它也是最容易出現(xiàn)錯(cuò)誤的一種方法。閾值法不能分割相互接觸的細(xì)胞，而分水嶺變換提供了接觸問題的一種有效的解決方法，其缺點(diǎn)是會(huì)因?yàn)樵肼暫推溱呄虍a(chǎn)生過分割現(xiàn)象。

在基于模型演化的細(xì)胞跟蹤方法中，先對(duì)細(xì)胞進(jìn)行建模，然后在連續(xù)幀中更新這個(gè)模型而到達(dá)跟蹤的目的，前一幀中的跟蹤結(jié)果被用于當(dāng)前幀相關(guān)參數(shù)的初始化，能代表細(xì)胞的外觀或外形的模型就這樣在幀間進(jìn)行演化。根據(jù)建立模型的方法，此類跟蹤方法中的常用算法包含主動(dòng)輪廓法、水平集法、基于核的跟蹤或均值漂移跟蹤方法。以主動(dòng)輪廓法為例，在前一幀中定義了一個(gè)與細(xì)胞輪廓相關(guān)的內(nèi)部能量和外部能量之和的能量函數(shù)，在當(dāng)前幀中使得能量函數(shù)最小化，進(jìn)而找出細(xì)胞輪廓。與分水嶺變換相比，由于近鄰細(xì)胞的輪廓或外形在這個(gè)演化過程中容易被融合一個(gè)細(xì)胞，基于輪廓演化的跟蹤方法具有產(chǎn)生圖像欠分割現(xiàn)象，它需要對(duì)結(jié)果進(jìn)行后續(xù)處理。