顯微視頻細胞分割與跟蹤方法研究.pdf

1、醫(yī)學中的大部分疾病都和細胞行為有關。細胞圖像分割與細胞跟蹤是研究細胞行為的重要手段。傳統(tǒng)細胞行為的研究往往是基于人工的方式，不但需要大量的人力，而且在跟蹤細胞過程中涉及細胞染色等化學操作，影響細胞的生理運動，從而影響跟蹤結果。因此借助計算機視覺相關理論完成細胞圖像分割與細胞跟蹤對于研究細胞行為具有重要的意義。
　　由于細胞場景中存在細胞聚集、消失與分裂等復雜狀態(tài)，使得一些經典的圖像分割方法和目標跟蹤方法不能直接應用于細胞場景中。本

2、文正是基于此對細胞圖像分割和細胞跟蹤方法進行研究。
　　本文主要完成了以下工作:
　　1）針對黏連細胞問題提出了一種基于多尺度log-filter（Laplace of Gaussian filter）的四階段細胞圖像分割方法。該方法主要涉及閾值法提取細胞區(qū)域；基于多尺度log-filter檢測細胞中心；基于城市距離定位黏連細胞連接處，之后通過移除低灰度像素或者最近鄰方法得到粗分割結果；最后,通過增加梯度約束項改進主動輪廓模

3、型調整分割結果，使得分割結果更加接近細胞的真實邊界。該方法在MCF-10A數據集上進行驗證,能夠得到較好的分割結果。
　　2）為應對細胞分裂、消失、新生等復雜情況，將細胞跟蹤問題轉化為分類問題，分別實現了基于有監(jiān)督學習和主動學習的細胞跟蹤。該方法通過挖掘細胞特征，基于GBDT有監(jiān)督學習訓練，可以對未知樣本取得很好的跟蹤效果。針對目前細胞視頻標記樣本缺乏問題，采用主動學習的思想解決，通過制定篩選樣本策略使得標記很少的樣本就可以得到很

4、高的正確率。
　　3）PHD（Probability Hypothesis Density）濾波方法是基于隨機有限集統(tǒng)計的濾波方法，能夠跟蹤數目變化的目標，因此適合應用于細胞場景中。本文通過分析顯微視頻圖像中細胞的多個特征，提取細胞中心位置、灰度均值和局部場景圖像熵三種特征，在狀態(tài)空間中表征細胞的運動學特征和圖像特征，用于自動化細胞跟蹤。實驗結果表明本文方法可以有效的同時跟蹤多個細胞，與采用單獨動力學特征的細胞跟蹤相比具有更高的跟