[发明专利]一种细胞运动过程中的形变跟踪方法及系统

权利要求书

1.一种细胞运动过程中的形变跟踪方法，其特征在于，所述方法包括如下步骤：

将流式细胞形变测试仪拍摄得到的每一帧的医学图像依次输入训练后的UNet网络模型进行细胞分割，获得每一帧的医学图像对应的包含初步分割结果的第一二值图；所述将流式细胞形变测试仪拍摄得到的每一帧的医学图像依次输入训练后的UNet网络模型进行细胞分割，之前还包括：对流式细胞形变测试仪拍摄得到的每一帧的医学图像进行伽马校正；

滤除每个第一二值图中的初步分割结果中的非正常细胞，获得包含最终分割结果的第二二值图；

基于卡尔曼滤波的目标跟踪算法对每一帧的医学图像对应的第二二值图中的最终分割结果进行形变跟踪；

所述流式细胞形变测试仪拍摄得到的每一帧的医学图像依次输入训练后的UNet网络模型进行细胞分割，获得每一帧的医学图像对应的包含初步分割结果的第一二值图，之前还包括：

获取高速摄像机拍摄包含细胞的视频数据，并将所述视频数据转化为图像数据；所述高速摄像机为流式细胞形变测试仪搭载的高速摄像机；

对每一帧所述图像数据进行伽马校正，获得校正后的图像数据；

对每一帧校正后的图像数据进行标注，并将标注后的图像数据作为样本数据，建立样本数据集；

将所述样本数据集划分为训练集、验证集和测试集；

利用所述训练集，采用梯度下降法对UNet网络模型中的超参数进行训练，得到训练后的UNet网络模型；

利用所述验证集和所述测试集对训练后的UNet网络模型进行验证和测试；

当训练后的UNet网络模型没有通过验证和测试时，返回步骤“利用所述训练集，采用梯度下降法对UNet网络模型中的超参数进行训练，得到训练后的UNet网络模型”，继续对UNet网络模型中的超参数进行训练；

当训练后的UNet网络模型通过验证和测试时，输出训练后的UNet网络模型；

所述基于卡尔曼滤波的目标跟踪算法对每一帧的医学图像对应的第二二值图中的最终分割结果进行形变跟踪，具体包括：

确定每个第二二值图中每个最终分割结果的最小外接矩形，并构建每个最小外接矩形的七维状态空间作为每个最终分割结果的状态变量，其中(u,v)表示最小外接矩形的中心位置，s表示最小外接矩形的面积，r表示最小外接矩形的宽高比，表示最小外接矩形的中心位置和面积的变化率；

根据前一时刻的每个状态变量的后验估计值，采用卡尔曼滤波预测算法，估计当前时刻的每个状态变量的先验估计值；

分别计算当前时刻的每个状态变量的先验估计值与当前时刻的第二二值图中每个最终分割结果的最小外接矩形的实测值的交并比，建立交并比列表；

根据所述交并比列表，确定与当前时刻的每个状态变量的先验估计值的交并比均小于交并比阈值的最终分割结果的最小外接矩形的实测值，作为起点，构建新的轨迹；

分别令i＝1,2,3,……，I，I表示前一时刻的状态变量的数量，并执行如下步骤：

计算当前时刻的第i个状态变量的先验估计值与当前时刻的每个最终分割结果的最小外接矩形的交并比的最大值，作为第i个状态变量的最大交并比；

判断第i个状态变量的最大交并比是否小于交并比阈值，获得第一判断结果；

若所述第一判断结果表示是，则令第i个状态变量的失踪标志位的数值增加1，并当更新后的第i个状态变量的失踪标志位的数值大于连续帧数阈值时，确定第i个状态变量对应的最终分割结果失踪；

若所述第一判断结果表示否，则采用卡尔曼滤波更新算法，根据第i个状态变量的最大交并比对应的当前时刻的最终分割结果的最小外接矩形的测量值对当前时刻的第i个状态变量的先验估计值进行更正，获得当前时刻的第i个状态变量的后验估计值，并令第i个状态变量的失踪标志位的数值为0；

返回步骤“根据前一时刻的每个状态变量的后验估计值，采用卡尔曼滤波预测算法，估计当前时刻的每个状态变量的先验估计值”；

建立细胞的形变量和面积与杨氏模量之间的关系，其中具体关系可以表达为：

其中，Q、L、η、E₀分别对应仿真条件下的流速，通道尺寸，细胞悬浮液粘度以及杨氏模量，Q'、L'、η'、E₀'分别对应实验状态时的流速，通道尺寸，细胞悬浮液粘度以及杨氏模量。