一種基于pso的多細(xì)胞位置輪廓同步精確跟蹤系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種基于粒子群算法的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，包含三個(gè)主要模塊：基于PSO的跟蹤模塊，基于PSO的發(fā)現(xiàn)模塊和基于PSO的輪廓模塊。本發(fā)明對(duì)于已存在細(xì)胞的跟蹤，基于PSO的跟蹤模塊在利用已存在細(xì)胞的先驗(yàn)狀態(tài)的基礎(chǔ)上，得到細(xì)胞在當(dāng)前幀中的初始狀態(tài)，然后利用基于PSO的輪廓模塊計(jì)算出細(xì)胞的輪廓，同時(shí)利用一個(gè)迭代的質(zhì)心更新過程達(dá)到精確的跟蹤。對(duì)于新出現(xiàn)細(xì)胞的跟蹤，基于PSO的發(fā)現(xiàn)模塊通過適當(dāng)?shù)牧Ｗ尤撼跏蓟退阉鳈C(jī)制在整個(gè)圖像中發(fā)現(xiàn)新細(xì)胞的位置，進(jìn)而得到細(xì)胞的輪廓。
【專利說明】-種基于PSO的多細(xì)胞位置輪廓同步精確跟蹤系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明提供了一種基于PS0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)】
[0002] 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(lái)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。
[0003] 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(lái)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?，包含高噪聲，此?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。
[0004] 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(lái)，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(lái)，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?和其趨向產(chǎn)生過分割現(xiàn)象。
[0005] 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。
[0006] 基于濾波與采樣的細(xì)胞跟蹤方法模仿人類視覺系統(tǒng)在圖像序列中估計(jì)目標(biāo)運(yùn)動(dòng) 流，能夠通過整合高維度的空間、時(shí)間和先驗(yàn)信息來(lái)解決問題，更好利用時(shí)序信息和所研究 細(xì)胞動(dòng)力學(xué)特征的先驗(yàn)知識(shí)。粒子濾波器（PF)常被用于細(xì)胞跟蹤，但是在估計(jì)目標(biāo)當(dāng)前狀 態(tài)的后驗(yàn)分布之前，需要知道測(cè)量模型和運(yùn)動(dòng)模型。Juang首次把混合高斯概率假設(shè)密度函 數(shù)（GM-PHD)濾波器應(yīng)用于多細(xì)胞跟蹤，在對(duì)細(xì)胞宗譜的研究中發(fā)現(xiàn)這種濾波器能夠很好 地跟蹤出細(xì)胞的世系和細(xì)胞的運(yùn)動(dòng)情況。Rezato fighi提出了 LGJMS-PHD濾波器的一個(gè)閉 式解，包含了狀態(tài)獨(dú)立的轉(zhuǎn)移概率和分裂轉(zhuǎn)移概率，這個(gè)濾波器明顯減少了對(duì)于存在大量 細(xì)胞和檢測(cè)噪聲時(shí)的處理時(shí)間。REZA提出了多貝努利濾波器的一種序貫蒙特卡羅方法，該 方法不需要檢測(cè)模塊，直接利用從低質(zhì)量的圖像序列中提取出的時(shí)空信息，屬于檢測(cè)前跟 蹤技術(shù)。盡管需要耗費(fèi)大量的計(jì)算量，基于濾波與采樣的跟蹤方法相比于基于檢測(cè)與關(guān)聯(lián) 的跟蹤方法能夠更好地利用時(shí)空信息，特別是在低質(zhì)量的細(xì)胞圖像數(shù)據(jù)中能得到更加魯棒 的跟蹤結(jié)果。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明旨在解決在低對(duì)比圖圖像序列下多細(xì)胞的位置與輪廓跟蹤難題，即對(duì)多細(xì) 胞動(dòng)力學(xué)特性存在差異、多細(xì)胞發(fā)生變形，細(xì)胞數(shù)目時(shí)變，細(xì)胞近鄰等情形，在無(wú)需細(xì)胞檢 測(cè)模塊，無(wú)需大量的細(xì)胞訓(xùn)練樣本，通過粒子群的搜索與優(yōu)化，建立合理的位置搜索策略和 輪廓模型，解決多細(xì)胞的位置與輪廓跟蹤難題。
[0008] 本發(fā)明為了解決上述問題，提出的解決方案是：提供了一種基于粒子群算法的多 細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，包含三個(gè)主要模塊：基于PS0的跟蹤模塊，基于PS0的 發(fā)現(xiàn)模塊和基于PS0的輪廓模塊；所述基于PS0的跟蹤模塊在利用已存在細(xì)胞的先驗(yàn)狀態(tài) 的基礎(chǔ)上，得到細(xì)胞在當(dāng)前幀中的初始狀態(tài)；所述基于PS0的發(fā)現(xiàn)模塊通過適當(dāng)?shù)牧Ｗ尤?初始化和搜索機(jī)制在整個(gè)圖像中發(fā)現(xiàn)新細(xì)胞的初始狀態(tài)；所述基于PS0的輪廓模塊在得到 細(xì)胞初始狀態(tài)的基礎(chǔ)上計(jì)算出細(xì)胞的輪廓，同時(shí)利用一個(gè)迭代的質(zhì)心更新過程達(dá)到精確的 跟蹤。
[0009] 所述系統(tǒng)是對(duì)于每一幀圖象中的細(xì)胞分為兩類：已存在細(xì)胞和新出現(xiàn)細(xì)胞，如果 在上一幀中存在細(xì)胞，那么在當(dāng)前幀中首先跟蹤這些已存在細(xì)胞，然后再在圖象中搜索新 出現(xiàn)細(xì)胞。所述系統(tǒng)對(duì)于已存在細(xì)胞的跟蹤，對(duì)于顯著性指標(biāo)最大的細(xì)胞，先通過基于PS0 的跟蹤模塊得到細(xì)胞的初始狀態(tài)，然后利用基于PS0的輪廓模塊得到精確的細(xì)胞輪廓與位 置，若成功跟蹤到該細(xì)胞，細(xì)胞繼續(xù)存在與當(dāng)前幀中，否則該細(xì)胞消失；所述系統(tǒng)對(duì)于新細(xì) 胞的跟蹤，先通過基于PS0的發(fā)現(xiàn)模塊得到細(xì)胞的初始狀態(tài)，然后利用基于PS0的輪廓模塊 得到精確的細(xì)胞輪廓與位置，對(duì)于跟蹤結(jié)果，若不能關(guān)聯(lián)到已存在細(xì)胞（最近鄰法），則認(rèn) 為發(fā)現(xiàn)一個(gè)新細(xì)胞，如果連續(xù)若干次的跟蹤結(jié)果為雜波（虛警），認(rèn)為當(dāng)前幀中的所有細(xì)胞 已被跟蹤。
[0010] 所述基于PS0的跟蹤模塊中的細(xì)胞顯著性指標(biāo)是通過細(xì)胞面積與輪廓信息聯(lián)合 產(chǎn)生。
[0011] 所述系統(tǒng)對(duì)于已存在細(xì)胞的跟蹤，采用順序化的跟蹤方法，基于PS0的跟蹤模塊 的具體步驟為：
[0012] 1)粒子群的初始化：已知在第t-ι幀存在Μ個(gè)細(xì)胞

【權(quán)利要求】
1. 一種基于PSO的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，包括基于PSO的 跟蹤1?塊，基于PS0的發(fā)現(xiàn)|旲塊和基于PS0的輪廊|旲塊；所述基于PS0的跟蹤|旲塊在利用 已存在細(xì)胞的先驗(yàn)狀態(tài)的基礎(chǔ)上，得到細(xì)胞在當(dāng)前幀中的初始狀態(tài)；所述基于PS0的發(fā)現(xiàn) 模塊通過適當(dāng)?shù)牧Ｗ尤撼跏蓟退阉鳈C(jī)制在整個(gè)圖像中發(fā)現(xiàn)新細(xì)胞的初始狀態(tài)；所述基于 PS0的輪廓模塊在得到細(xì)胞初始狀態(tài)的基礎(chǔ)上計(jì)算出細(xì)胞的輪廓，同時(shí)利用一個(gè)迭代的質(zhì) 心更新過程達(dá)到精確的跟蹤。
2. 根據(jù)權(quán)利要求1所述的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，所述系 統(tǒng)是對(duì)于每一幀圖象中的細(xì)胞分為兩類：已存在細(xì)胞和新出現(xiàn)細(xì)胞，如果在上一幀中存在 細(xì)胞，那么在當(dāng)前幀中首先跟蹤這些已存在細(xì)胞，然后再在圖象中搜索新出現(xiàn)細(xì)胞；所述系 統(tǒng)對(duì)于已存在細(xì)胞的跟蹤，對(duì)于顯著性指標(biāo)最大的細(xì)胞，先通過基于PS0的跟蹤模塊得到 細(xì)胞的初始狀態(tài)，然后利用基于PS0的輪廓模塊得到精確的細(xì)胞輪廓與位置，若成功跟蹤 到該細(xì)胞，細(xì)胞繼續(xù)存在與當(dāng)前幀中，否則該細(xì)胞消失；所述系統(tǒng)對(duì)于新細(xì)胞的跟蹤，先通 過基于PS0的發(fā)現(xiàn)模塊得到細(xì)胞的初始狀態(tài)，然后利用基于PS0的輪廓模塊得到精確的細(xì) 胞輪廓與位置，對(duì)于跟蹤結(jié)果，若不能關(guān)聯(lián)到已存在細(xì)胞，則認(rèn)為發(fā)現(xiàn)一個(gè)新細(xì)胞，如果連 續(xù)若干次的跟蹤結(jié)果為雜波，認(rèn)為當(dāng)前幀中的所有細(xì)胞已被跟蹤。
3. 根據(jù)權(quán)利要求2所述的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，所述基 于PS0的跟蹤模塊中的細(xì)胞顯著性指標(biāo)是通過細(xì)胞面積與輪廓信息聯(lián)合產(chǎn)生。
4. 根據(jù)權(quán)利要求1所述的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，所述基 于PS0的跟蹤模塊的具體步驟為： 1) 粒子群的初始化：已知在第t-ι幀存在Μ個(gè)細(xì)胞
，其中
表示細(xì)胞 Kw(k)在第t-Ι幀中的狀態(tài)（質(zhì)心和輪廓），對(duì)于其中顯著性指標(biāo)（在輪廓模塊中討論） 最大的細(xì)胞Kg (k)，初始化一個(gè)種群規(guī)模為Ντ的粒子群
粒子狀態(tài)為
其中
和
分別為 第i個(gè)粒子代表的潛在細(xì)胞的質(zhì)心橫坐標(biāo)，質(zhì)心縱坐標(biāo)，寬度和高度，粒子的初始狀態(tài)為
其中Σ為預(yù)定義一個(gè)對(duì)角矩陣，
表示細(xì)胞Kg (k)在第t幀 中的預(yù)測(cè)狀態(tài)，
和
分別為 細(xì)胞KhGO在第t-Ι和t-2幀中的全局最優(yōu)粒子對(duì)應(yīng)的狀態(tài)，粒子的初始速度隨機(jī)且分布 在
2) 基于PS0跟蹤模塊的適應(yīng)度函數(shù)（為簡(jiǎn)化公式，上標(biāo)t和下標(biāo)Uk)被省略）：
其中，ε是一個(gè)極小 值，
表示粒子
代表的矩形區(qū)域與當(dāng)前幀中已被識(shí)別的細(xì)胞
的重疊面積，fP( ·)是RGB圖像的相似度函數(shù)，

是高斯核函數(shù)
σ 由細(xì)胞KhGO的半徑得到； 則粒子的個(gè)體最優(yōu)
與全局最優(yōu)
為：
3) 修正的PSO算法：粒子的速度與狀態(tài)更新公式為（為簡(jiǎn)化公式，上標(biāo)t和下標(biāo)KhGO 被省略）
其中，
ηp n2 e (0,1)是在每一次迭代時(shí)產(chǎn) 生的隨機(jī)數(shù)； 4) 收斂條件：粒子群
中大部分粒子的平均適應(yīng)度大于閾值
(其中，L和W分別為圖像Yt的長(zhǎng)度和寬度，λ為調(diào)節(jié)系數(shù)），或 者達(dá)到最大迭代次數(shù)ΜΙ，粒子群的輸出記為
如果
則表示跟蹤到細(xì) 胞
否則，該細(xì)胞消失，并被標(biāo)記為丟失細(xì)胞
5.根據(jù)權(quán)利要求1所述的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，所述基 于PSO的發(fā)現(xiàn)模塊的具體步驟為： 1) 粒子群的初始化：在第t幀圖像中初始化一個(gè)種群規(guī)模為ND的粒子群
，粒子狀態(tài)為
，粒子隨機(jī)分布于圖像Yt中，粒子的初始速度隨 機(jī)且分布在
2) 基于PSO的發(fā)現(xiàn)模塊的適應(yīng)度函數(shù)：
其中，ε是一個(gè)極小值，
表示粒子
代表的矩形區(qū)域與當(dāng)前幀中已被識(shí)別的細(xì)胞'
的 重疊面積，fP( ·)是RGB圖像的相似度函數(shù)； 3) 修正的PSO算法：參照基于PSO的跟蹤模塊第（3)步； 收斂條件：
，或者
，或者達(dá)到最大迭代次數(shù)MI, 是一個(gè)正整 數(shù)，粒子群的輸出記為
*如果.
，則認(rèn)為
是一個(gè)雜波（虛警），否 則
是一個(gè)真實(shí)的細(xì)胞，如果
不能與丟失細(xì)胞
相關(guān)聯(lián)（最近鄰關(guān)聯(lián) 法），則發(fā)現(xiàn)到一個(gè)新細(xì)胞，并標(biāo)記為Kt (M) +1。
6.根據(jù)權(quán)利要求1所述的多細(xì)胞位置與輪廓同步精確跟蹤系統(tǒng)，其特征在于，所述基 于PSO的輪廓模塊的具體步驟為： 1) 粒子群的初始化：細(xì)胞的初始狀態(tài)為
初始化m個(gè)方向
其中
在每方向id上，初始化一個(gè)種群規(guī)模為N。的粒子群
粒子狀態(tài)為
表示粒子i與細(xì)胞質(zhì)心[x〇，y。]的距離，根據(jù)細(xì)胞 尺寸[wQ, hj初始化粒子的搜索空間為S = [max (Rmin, a R。)，min (Rmax, β R。)]，其中R。= (￥。+11(|)/4，1^11和1?_為在圖像序列中觀測(cè)到的細(xì)胞最小半徑和最大半徑，α和β是調(diào)節(jié) 系數(shù)，那么粒子的初始狀態(tài)
*粒子速度初始化為〇 ; 2) 基于PSO輪廓模塊的適應(yīng)度函數(shù)：
其中，
表示像素 (x，y)的8鄰域像素集合，|N(x，y)|表示集合N(x， y)中元素個(gè)數(shù)，1(.)為灰度值，表示集 合N(x，y)的平均灰度值，個(gè)體最優(yōu)與全局最優(yōu)更新公式：
3) 改進(jìn)的PSO算法：粒子的速度與狀態(tài)更新公式為
其中，
是群
的相鄰群的輸出， 對(duì)于群
在未發(fā)生質(zhì)心更新時(shí)
發(fā)生質(zhì)心更新之后為上一次各方向上PSO搜 索結(jié)果的平均值，對(duì)于其他群，
其中
表示群
的輸出，％ n2, n3 e (〇, 1)是在每次迭代時(shí)產(chǎn)生的隨機(jī)數(shù)，群
迭代mi。次后的輸出作 為id方向上的輪廓采樣點(diǎn)，則可以得到m個(gè)采樣點(diǎn)
4) 質(zhì)心更新過程：計(jì)算不在細(xì)胞輪廓上的采樣點(diǎn)個(gè)數(shù)
其中 TH是在fd上利用Otsu方法計(jì)算得到的閾值，把
轉(zhuǎn)化為2維狀態(tài)（Xg，id，y g，id)，如果 [x〇, yj在細(xì)胞外，即大于一個(gè)預(yù)定義的閾值，按照下式更新質(zhì)心位置
其中，
，如果[X(i，y〇]在細(xì)胞 內(nèi)部，質(zhì)心位置更新公式為
在每一次更新[Χ(ι，％]之后， 需要重新利用改進(jìn)的PSO算法搜索出輪廓采樣點(diǎn)，直到質(zhì)心的偏移量很微小時(shí)停止更新； 最終的輪廓采樣點(diǎn)為
順序連接這些點(diǎn)后得到完整的細(xì)胞 輪廓
是輪廓上的第i個(gè)像素點(diǎn)，細(xì)胞的顯著性指標(biāo)為
其中A(p。）表示輪廓P。圍城的細(xì)胞面積，4(·)為適應(yīng)度函數(shù)。
【文檔編號(hào)】G06T7/20GK104063880SQ201410259368
【公開日】2014年9月24日 申請(qǐng)日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】徐本連, 任亞運(yùn), 朱培逸, 魯明麗, 施健, 蔣冬梅 申請(qǐng)人:常熟理工學(xué)院