[发明专利]一种基于混合时间池化算子的有丝分裂定位和识别的方法

说明书

本发明公开了一种基于混合时间池化算子的有丝分裂定位和识别的方法，包括：对候选子序列的每一帧图像分别提取卷积神经网络特征向量；使用最大池化算子、平均池化算子、以及时间梯度直方图池化算子对提取的每帧的特征向量分别进行池化，得到相应帧的时间参数向量，该由最大池化算子、平均池化算子、以及时间梯度直方图池化算子组成的时间参数向量表征了对象帧所包含的外观特征和时序信息；在时间参数向量上训练线性SVM分类器来对候选子序列的每一帧的阶段标签进行分类，获得每个阶段的起始帧位置和帧数目；如果候选子序列包括完整的四个阶段，则可判定该序列包含了一个分裂事件，得到最终的识别结果。本发明提高了有丝分裂定位和识别的精度，降低了时间复杂度。

技术领域

本发明涉及细胞有丝分裂事件检测领域，尤其涉及一种基于混合时间池化算子的有丝分裂定位和识别的方法。

背景技术

细胞增殖是生物体的重要生命特征，细胞以分裂的方式进行增殖^[1]。单细胞生物，以细胞分裂的方式产生新的个体。多细胞生物，以细胞分裂的方式产生新的细胞，用来补充体内衰老或死亡的细胞。因此，细胞增殖行为在药物发现、干细胞制造和组织工程等诸多领域上的研究日益重要^[2]。对于细胞增殖研究初期的细胞群落，因为其规模小，培养周期短，此时尚且可以通过人工标定的方法来对完成细胞有丝分裂事件的检测工作，但随着细胞体外培养的时间不断变长，以致于群落规模也不断扩大，此时如果还采用人工标定的方法则会很费时费力。因此，利用显微图像分析技术通过计算机来自动和准确地进行细胞有丝分裂事件的定位和检测就显得十分重要和迫切^[3]。

细胞分裂事件的定位和识别是基于数字图像处理、计算机视觉和深度学习等技术，借助于计算机处理等相关技术，自动完成识别和定位分裂事件的研究。目前，在显微镜图像序列下的细胞分裂事件检测技术主要分为两类^[4]：基于局部显著性的方法和基于时间上下文的方法。

1、基于局部显著性的方法通过利用环形检测器来定位母细胞和两个子细胞或通过细胞核的形状和纹理特征来对细胞分裂阶段进行识别^[5]。此类方法原理简单，但因依赖大量的训练数据以及没有考虑序列的时序动态性，无法对细胞分裂的过程进行充分的描述，导致检测准确度不高。

2、基于时间上下文的方法克服了上述方法的缺点，其通过提取细胞轨迹并且利用预定义的规则鉴别出发生分裂的细胞^[6]。Gallardo等人利用显微图像预处理和体积分割方法来定位图像序列中潜在发生有丝分裂的时空子域，基于细胞形状和外观特征采用了隐马尔可夫模型(the Hidden Markov Model,HMM)来完成对候选序列的分类^[7]；在此基础上，Huh等人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定位和识别^[8]；Quattoni等人则利用隐条件随机场(theHidden Conditional Random Field,HCRF)分类器来判断每个候选子序列是否包含有丝分裂事件^[9]；Su等人通过训练隐状态条件神经场(the Hidden State Conditional NeuralField,HSCNF)分类器来完成对候选子序列的定位和识别^[10]。上述方法原理简单、描述特征丰富多样且适用范围广泛。

细胞有丝分裂定位和识别目前面临的主要挑战是：不同类型的细胞通常呈现不同的外观，以及分裂事件在分裂过程中也隐含了剧烈的变化，如何有效地捕捉到细胞外形随时间的变化对识别的效果将有很大影响。此外，目前鲜有学者提出对细胞分裂的各个阶段进行定位的方法。

发明内容

本发明提供了一种基于混合时间池化算子的有丝分裂定位和识别的方法，本发明提出了可以更好地描述有丝分裂过程中细胞外形随时间变化关系的特征，准确判定候选子序列中每一帧所处的阶段，提高了有丝分裂定位和识别的精度，降低了时间复杂度，详见下文描述：