[发明专利]一种多细胞相互作用跟踪系统

说明书

技术领域

本发明涉及一种多细胞相互作用跟踪系统，特别是一种多细胞相互作用跟踪系统。

背景技术

多细胞运动分析对于生物学、药理学和病理学方面的研究都有着十分重要的学术价值。目前细胞跟踪的方法主要分为三类，分别是基于模型调整或变化的跟踪方法、基于检测的方法和基于贝叶斯概率估计技术。基于模型调整或变化的跟踪方法，该方法主要应用于细胞的轮廓信息难以提取等场合，该方法将给定的细胞初始外形轮廓，通过参数优化方法使之变形来拟合图像中的目标对象，细胞的运动轨迹就从不同帧里自动提取出，通常所用的主动轮廓法（即Snake方法）、水平集方法（Level-Set）和均值偏移法（Mean-Shift）都属于此类跟踪方法，这些方法都有一个共同特点，即用上一帧所得到的模型参数作为当前帧图像分析的起始条件或先验信息。基于检测技术的跟踪方法，该方法分为分割与跟踪两步，分割的任务就是在每帧中提取细胞信息（形状、重心、面积等），跟踪的任务就是将多帧中所提取的细胞进行关联，找出各细胞的运动轨迹、计算细胞运动速度等。基于贝叶斯概率估计方法利用先验的一些信息和测量信息来估计细胞状态的后验概率密度函数。由于细胞跟踪问题是一个非线性、非高斯参数估计问题，因此，所对应的Bayesian滤波没有解析解，然而可用数值近似的方法进行求解，如粒子滤波器（Particle Filter，有时称Sequential Monte-Carlo）。Smal（参考文献）将粒子滤波器与交互式多模型IMM和Mean-Shift聚类方法相结合来对细胞进行运动分析，所得到跟踪性能明显好于人工跟踪方法。在此基础上，Smal（参考文献）又提出了一种基于粒子滤波器的二维或三维多细胞跟踪方法，在噪声密度比较大的情况下，所得到的跟踪性能优于确定性的跟踪方法。粒子滤波器也可与水平集或主动轮廓方法相结合，虽然所得到的跟踪性能要优于确定性跟踪方法，但是它们只能解决单细胞跟踪问题，对于同时跟踪多个细胞却显得力不从心。Cui（参考文献）提出了一种Monte Carlo跟踪方法，目标的状态被描述成白细胞的位置，目标的动力学模型是通过学习方法得到的，假设目标的运动是随机行为，利用以前的细胞运动知识，在预测值附近生成样本，测量信息的获取是基于局部的图像强度，所得到的跟踪性能要优于Snake跟踪方法。Nhat H.Nguyen（参考文献）等人提出了一种自动跟踪多个碰撞细胞的方法，首先对每个碰撞状态采用两个单独的运动模型，这两个模型分别表示碰撞内运动状态和碰撞外运动状态，其次利用状态过渡间的碰撞假设来处理碰撞中或碰撞外的突然变化，这种方法降低了碰撞细胞跟踪的失误率。

细胞运动分析面临着众多难题，如细胞碰撞、细胞分裂、多细胞动力学特性差异、细胞重叠、细胞数量变化、低对照比细胞图像序列等等。现有的多细胞跟踪技术还很少能处理这些情况，跟踪的精确性和稳定性都不足，对于多细胞的动力学特性的差异，其跟踪性能未加以研究等等。本发明旨在解决当细胞动力学特性存在差异、细胞数目时变、细胞碰撞、分裂等跟踪难题，通过混合检测方法获得细胞特征信息，利用细胞交互的多模型粒子滤波跟踪方法进行跟踪，根据细胞特征差异进行通信与身份管理，从而实现多细胞自动跟踪。

发明内容

本发明要解决的技术问题是提供一种鲁棒的、精确的、面向多细胞碰撞、分裂情形且能估计多细胞动力学特性的多细胞相互作用跟踪系统，本发明利用混合检测方法分割包含重叠或粘连细胞的图像后,利用细胞交互的多模型粒子滤波跟踪方法进行多细胞运动分析，为了减小关联的不确定性，利用细胞特征差异进行通信与身份管理，从而实现细胞碰撞、细胞分裂、细胞数量时变的多细胞自动跟踪，给出所有细胞动力学特征参数（轨迹、速度、角速度等）。

原始图片输入后，通过该系统三个模块：多细胞自动分割技术模块、细胞交互的多模型粒子滤波跟踪技术模块、通信与身份管理模块的分析，最终实现多细胞的跟踪；多细胞自动分割技术针对包含有重叠细胞，粘连细胞的图像序列，利用高帽滤波和低帽滤波对图像进行预处理后，提出了一种有效的混合检测方法，此方法包含阈值处理、孔洞填充、噪声去除、图像膨胀和形状与边界限制等几个步骤，从而获得细胞质心位置、面积特征参数；细胞交互的多模型粒子滤波跟踪技术对多细胞运动特性进行分析，建立合适的细胞运动模型，并估计细胞运动的角速度；通信与身份管理模块把细胞的运动特征和拓扑特征结合起来，即利用距离和面积两个特征差异来设计通信法则，并进行细胞身份管理，大大提高了细胞关联的正确率。

本发明的具体实施方式为：