專利名稱：一種細(xì)胞分裂識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像分析和模式識(shí)別領(lǐng)域，特別涉及一種細(xì)胞分裂識(shí)別方法。
背景技術(shù)：
通過(guò)體外培養(yǎng)的方式對(duì)細(xì)胞繁殖行為進(jìn)行定量分析對(duì)于許多生物醫(yī)學(xué)應(yīng)用，如藥物開(kāi)發(fā)、干細(xì)胞培養(yǎng)、組織工程等，具有重要意義。在該研究過(guò)程中，通過(guò)顯微鏡進(jìn)行細(xì)胞圖像采集，并利用先進(jìn)的圖像處理技術(shù)實(shí)現(xiàn)準(zhǔn)確的細(xì)胞分裂識(shí)別將對(duì)該研究起到關(guān)鍵的作用。傳統(tǒng)的基于顯微鏡圖像的細(xì)胞分裂識(shí)別方法可以分為三類1)基于局部顯著性 特征的方法該方法將細(xì)胞分裂區(qū)域看作一個(gè)特殊的視覺(jué)模式，利用分裂區(qū)域的圖像特征直接學(xué)習(xí)一個(gè)支持向量機(jī)分類器用于識(shí)別；2)基于跟蹤的方法該方法通過(guò)目標(biāo)跟蹤算法實(shí)現(xiàn)個(gè)體軌跡的提取，然后通過(guò)母細(xì)胞分裂為子細(xì)胞時(shí)軌跡的變化特征來(lái)進(jìn)行細(xì)胞分裂的識(shí)別；3)基于時(shí)序模型的方法該方法首先利用跟蹤方法提取每個(gè)細(xì)胞分裂事件對(duì)應(yīng)在圖像序列中的時(shí)空區(qū)域，然后通過(guò)時(shí)序推斷模型來(lái)學(xué)習(xí)細(xì)胞分裂過(guò)程中分裂區(qū)域特征變化的時(shí)序規(guī)律從而實(shí)現(xiàn)細(xì)胞分裂的識(shí)別。發(fā)明人在實(shí)現(xiàn)本發(fā)明的過(guò)程中，發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在以下的缺點(diǎn)和不足I)現(xiàn)有視覺(jué)特征對(duì)于非剛體和形變不規(guī)則目標(biāo)(例如細(xì)胞)的表征能力有限，因此基于局部顯著性特征方法通常泛化能力較差；2)基于跟蹤的方法和基于時(shí)序模型方法都對(duì)準(zhǔn)確的軌跡提取有很強(qiáng)的依賴性，然而，對(duì)非剛性物體的跟蹤本身就是很困難的；3)基于時(shí)序模型方法往往通過(guò)大范圍的時(shí)序信息的利用和時(shí)序狀態(tài)轉(zhuǎn)移的學(xué)習(xí)進(jìn)行復(fù)雜模型的構(gòu)建，這將使得模型的學(xué)習(xí)需要很高計(jì)算復(fù)雜度，并使該方法不能滿足生物分析對(duì)細(xì)胞分裂識(shí)別的實(shí)時(shí)性要求，并且細(xì)胞分裂的識(shí)別率較低。

發(fā)明內(nèi)容
本發(fā)明提供了一種細(xì)胞分裂識(shí)別方法，本發(fā)明降低了對(duì)非剛體目標(biāo)特征提取的難度，使得細(xì)胞分裂行為的識(shí)別不依賴于細(xì)胞的跟蹤和時(shí)序推斷模型，顯著降低計(jì)算復(fù)雜度的影響，提高細(xì)胞分裂的識(shí)別率，詳見(jiàn)下文描述—種細(xì)胞分裂識(shí)別方法，所述方法包括以下步驟(I)獲取分裂細(xì)胞區(qū)域的正樣本和不包含分裂細(xì)胞區(qū)域的負(fù)樣本組成訓(xùn)練數(shù)據(jù)，從每個(gè)訓(xùn)練數(shù)據(jù)中提取第一視覺(jué)特征向量Xi,由多個(gè)所述第一視覺(jué)特征向量Xi構(gòu)成第一訓(xùn)練集1 =丨1,丨二，其中，所述訓(xùn)練數(shù)據(jù)包括分裂細(xì)胞圖像和非分裂細(xì)胞圖像，4
表示dX I維空間，i表示圖像序號(hào)，i的取值是正整數(shù)，N為特征向量的個(gè)數(shù)，還為所述訓(xùn)練數(shù)據(jù)的個(gè)數(shù)；(2)構(gòu)造目標(biāo)函數(shù)Wi,7) =||A(. ~4x WiI丨 + f x正則項(xiàng)，其中，第一視覺(jué)特征向量Xi力需通過(guò)所述該目標(biāo)函數(shù)進(jìn)行稀疏分解的對(duì)象；小表示詞典，是一個(gè)dX I維的二維矩陣，其每一列表示該詞典的一個(gè)基Ctp用d維向量表示，j的取值是正整數(shù)，I表示詞典中基4^_基的個(gè)數(shù)；w,. eRm表示對(duì)應(yīng)所述第一視覺(jué)特征向量Xi的稀疏分解系數(shù),Rlxl表示1X1維空間；Y表示權(quán)重；(3)通過(guò)所述第一訓(xùn)練集X和所述目標(biāo)函數(shù)學(xué)習(xí)第一最佳詞典Cj5* ；(4)通過(guò)所述第一最佳詞典Ct*對(duì)所述第一訓(xùn)練集X進(jìn)行稀疏分解，獲取各所述第一視覺(jué)特征向量Xi對(duì)應(yīng)的第一最優(yōu)稀疏分解系數(shù)< ;(5)通過(guò)所述正樣本和所述負(fù)樣本對(duì)應(yīng)第一最優(yōu)稀疏分解系數(shù)獲取訓(xùn)練后分裂細(xì)胞模型；(6)對(duì)新測(cè)試數(shù)據(jù)Yi獲取第二最優(yōu)稀疏分解系數(shù)W〗 ,，將所述第二最優(yōu)稀疏分解系數(shù)w〗，,輸入所述訓(xùn)練后分裂細(xì)胞模型，獲取輸出結(jié)果；當(dāng)所述輸出結(jié)果的類別標(biāo)記為1，則表示所述新測(cè)試數(shù)據(jù)Yi包含分裂細(xì)胞區(qū)域；當(dāng)所述輸出結(jié)果的類別標(biāo)記為0，則表示所述新測(cè)試數(shù)據(jù)Yi不包含分裂細(xì)胞區(qū)域。所述構(gòu)造目標(biāo)函數(shù)F(WiJ) = Ix,.-多Xw^+yx正則項(xiàng)具體包括I)根據(jù)最小二乘思想構(gòu)建目標(biāo)函數(shù)，通過(guò)所述詞典0和所述第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)Wi來(lái)對(duì)所述第一視覺(jué)特征向量Xi進(jìn)行擬合即-^x Mt;2)引入正則項(xiàng)，使得所述目標(biāo)函數(shù)形式如下Zr(WpX) = Ix廠正則項(xiàng)，Y 為權(quán)重。所述通過(guò)所述第一訓(xùn)練集X和所述目標(biāo)函數(shù)學(xué)習(xí)第一最佳詞典Ct*具體包括I)固定第k次迭代時(shí)的詞典Ak，學(xué)習(xí)所述第一視覺(jué)特征向量Xi在第k次迭代時(shí)對(duì)應(yīng)的稀疏分解系數(shù)<;假設(shè)第k次迭代時(shí)，固定詞典ctk，則所述第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)wf通過(guò)求解下式獲得，
權(quán)利要求
1.一種細(xì)胞分裂識(shí)別方法，其特征在于，所述方法包括以下步驟 (1)獲取分裂細(xì)胞區(qū)域的正樣本和不包含分裂細(xì)胞區(qū)域的負(fù)樣本組成訓(xùn)練數(shù)據(jù)，從每個(gè)訓(xùn)練數(shù)據(jù)中提取第一視覺(jué)特征向量Xi，由多個(gè)所述第一視覺(jué)特征向量Xi構(gòu)成第一訓(xùn)練集X = ，其中，所述訓(xùn)練數(shù)據(jù)包括分裂細(xì)胞圖像和非分裂細(xì)胞圖像，AeKrfxl，R 表示dXl維空間，i表示圖像序號(hào)，i的取值是正整數(shù)，N為特征向量的個(gè)數(shù)，還為所述訓(xùn)練數(shù)據(jù)的個(gè)數(shù)； (2)構(gòu)造目標(biāo)函數(shù)
2.根據(jù)權(quán)利要求I所述的一種細(xì)胞分裂識(shí)別方法，其特征在于，所述構(gòu)造目標(biāo)函數(shù) =+fx正則項(xiàng)具體包括 1)根據(jù)最小二乘思想構(gòu)建目標(biāo)函數(shù)，通過(guò)所述詞典0和所述第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)Wi來(lái)對(duì)所述第一視覺(jué)特征向量Xi進(jìn)行擬合即;
3.根據(jù)權(quán)利要求2所述的一種細(xì)胞分裂識(shí)別方法，其特征在于，所述通過(guò)所述第一訓(xùn)練集X和所述目標(biāo)函數(shù)學(xué)習(xí)第一最佳詞典Ct*具體包括 1)固定第k次迭代時(shí)的詞典Ctk，學(xué)習(xí)所述第一視覺(jué)特征向量Xi在第k次迭代時(shí)對(duì)應(yīng)的稀疏分解系數(shù)wf ; 假設(shè)第k次迭代時(shí)，固定詞典ctk，則所述第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)Wf通過(guò)求解下式獲得，
4.根據(jù)權(quán)利要求3所述的一種細(xì)胞分裂識(shí)別方法，其特征在于，所述第一最優(yōu)稀疏分解系數(shù)<具體為
5.根據(jù)權(quán)利要求4所述的一種細(xì)胞分裂識(shí)別方法，其特征在于，所述通過(guò)所述正樣本和所述負(fù)樣本對(duì)應(yīng)第一最優(yōu)稀疏分解系數(shù)<獲取訓(xùn)練后分裂細(xì)胞模型具體包括 所述正樣本用稀疏分解系數(shù)集Wpu' =彳表示，上標(biāo)Pos表示正樣本,上標(biāo)P表示正樣本總數(shù)，所以表示正樣本的第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)，并將正樣本類別標(biāo)記為I，所述負(fù)樣本用稀疏分解系數(shù)集表示，上標(biāo)Neg表示負(fù)樣本，上標(biāo)Q表示負(fù)樣本總數(shù)，所以Mfg表示負(fù)樣本的第一視覺(jué)特征向量Xi對(duì)應(yīng)的稀疏分解系數(shù)，并將負(fù)樣本類別標(biāo)記為0，將所述正樣本、所述負(fù)樣本、所述正樣本類別標(biāo)記、所述負(fù)樣本類別標(biāo)記輸入分類器進(jìn)行模型訓(xùn)練，獲取所述訓(xùn)練后分裂細(xì)胞模型。
6.根據(jù)權(quán)利要求5所述的一種細(xì)胞分裂識(shí)別方法，其特征在于，所述第二最優(yōu)稀疏分解系數(shù)4',具體為
全文摘要
本發(fā)明公開(kāi)了一種細(xì)胞分裂識(shí)別方法，通過(guò)第一訓(xùn)練集和目標(biāo)函數(shù)學(xué)習(xí)第一最佳詞典；通過(guò)第一最佳詞典對(duì)第一訓(xùn)練集進(jìn)行稀疏分解，獲取各第一視覺(jué)特征向量對(duì)應(yīng)的第一最優(yōu)稀疏分解系數(shù)；通過(guò)正樣本和負(fù)樣本對(duì)應(yīng)第一最優(yōu)稀疏分解系數(shù)獲取訓(xùn)練后分裂細(xì)胞模型；對(duì)新測(cè)試數(shù)據(jù)獲取第二最優(yōu)稀疏分解系數(shù)，將第二最優(yōu)稀疏分解系數(shù)輸入訓(xùn)練后分裂細(xì)胞模型，獲取輸出結(jié)果；當(dāng)輸出結(jié)果的類別標(biāo)記為1，則表示新測(cè)試數(shù)據(jù)包含分裂細(xì)胞區(qū)域；當(dāng)輸出結(jié)果的類別標(biāo)記為0，則表示新測(cè)試數(shù)據(jù)不包含分裂細(xì)胞區(qū)域。本方法克服了對(duì)非剛體目標(biāo)特征提取的困難，對(duì)于細(xì)胞分裂行為的識(shí)別不依賴于細(xì)胞的跟蹤和時(shí)序推斷模型，可以顯著降低計(jì)算復(fù)雜度影響，提高細(xì)胞分裂的識(shí)別率。
文檔編號(hào)G06T7/00GK102722717SQ20121016350
公開(kāi)日2012年10月10日 申請(qǐng)日期2012年5月22日 優(yōu)先權(quán)日2012年5月22日
發(fā)明者劉安安 申請(qǐng)人:天津大學(xué)