[发明专利]一种基于支持向量机排序的有丝分裂事件识别方法

说明书

技术领域

本发明涉及细胞有丝分裂事件检测领域，尤其涉及一种基于支持向量机排序(SVM-rank)的有丝分裂事件识别方法。

背景技术

细胞增殖行为的研究，在药物发现、干细胞制造和组织工程等许多生物医学应用中的重要性日益凸显。对于短期小规模的研究，可以通过人工标定的方法来实现分裂事件的识别，但是随着细胞工程的深入开展，细胞体外培养的群落规模不断扩大，培养时间逐渐变长，这时，就不得不针对采集的包含大量细胞复杂群体运动的图像数据，采用计算机自动、准确地识别细胞分裂事件。

目前，细胞分裂事件识别的方法通常分为三类：基于特征的方法、基于轨迹的方法和基于图模型的方法。基于特征的方法通过对图像序列的处理提取局部特征直接检测细胞分裂状态，把细胞分裂事件当成时空域中一个局部事件来进行检测，应用级联分类器对三维Haar-like特征描述的图像序列所构成的体积滑动窗口进行分类^[1]，这种方法只需用一个训练好的分类器对所有图像序列顺序扫描就可得到图像序列中所有发生分裂的细胞，却依赖于大量的训练数据且忽略了序列动态特征。

基于轨迹的方法通常依赖于细胞跟踪，在跟踪得到细胞轨迹的基础上，根据分裂过程中的细胞形态变化或是母细胞与子细胞之间的帧关系，利用预定义的规则鉴别出发生分裂的细胞，这也是目前细胞分类识别中最为常用的方法，比如将Camshift算法与活动轮廓模型结合，完成细胞追踪并获取细胞准确的位置和形状信息，进而识别细胞分裂事件^[2]，但是在基于轨迹的方法中，对于细胞分裂的识别只是细胞跟踪的副产品，因而细胞跟踪的好坏将很大程度上影响细胞分裂的识别结果，而且细胞分裂事件的发生是一个稀疏而分散的过程，通过逐帧跟踪细胞来研究细胞分裂会导致非常高的计算成本。

基于图模型的方法减轻了跟踪方法的负担，可以通过图模型的学习直接完成细胞分裂的识别，利用事件检测条件随机场(the Event-Detection Conditional Random Field EDCRF)模型来对有丝分裂事件进行同步检测和识别^[3]，但是图模型方法需要训练隐含时序动态信息的模型，效率不高。

细胞分裂事件的识别当前主要存在的问题是：

不同种类细胞的个体或群体性差异，以及不同显微镜下所得到的细胞图像的模式差异，使得细胞通常呈现不同的外观且在分裂过程中会发生剧烈的形态学变化，但当前的底层视觉特征并不能够有效描述细胞间的这些差异，并且特征描述和模型学习都是单独进行的，对视觉特征和模型的适应性并未做过多的研究。

发明内容

本发明提供了一种基于SVM-rank的有丝分裂事件识别方法，本发明避免了训练隐含时序模型的过程，通过将一个排序函数学到的参数作为序列的特征向量，该向量能很好地捕捉序列整个的外观特征和序列在时间上的时序变化信息，不但大大提高了识别的准确率，而且简单高效，易于实现，详见下文描述：

一种基于支持向量机排序的有丝分裂事件识别方法，所述有丝分裂事件识别方法包括以下步骤：

对输入的细胞图像利用基于成像模型的显微图像分割方法和三维种域生长方法来提取候选子序列；

对候选子序列的每一帧图像提取特征向量，使用了HoG、SIFT和Gist三种特征，将提取的向量串起来作为候选子序列的视觉特征，并对提取的视觉特征进行池化，以捕捉序列的外观信息；

对得到的外观信息，利用基于支持向量机排序方法，将学习到的排序函数的参数向量作为整个序列的特征向量，以捕捉序列范围内随时间的外观演化信息；

在新特征上训练支持向量机分类器，对候选子序列进行分类，得到最终的识别结果。

本发明提供的技术方案的有益效果是：

1、本发明避免了训练隐含时序模型的过程，通过将一个排序函数学到的参数作为序列的特征向量，该向量能很好地捕捉序列整个的外观特征和序列在时间上的演化信息；

2、不但大大提高了识别的准确率，而且简单高效，易于实现。

附图说明

图1为基于SVM-rank的有丝分裂事件识别方法的流程图；

图2为候选子序列典型样例的示意图；

(a)为正例的示意图，(b)为负例的示意图。

图3为平均池化对视觉特征的作用效果的示意图；

(a)为初始视觉特征的示意图，(b)为经过平均池化处理后的特征的示意图。

图4为通过SVM-rank计算序列特征的示意图；

图5为负例和正例的特征向量对比的示意图。