[发明专利]一种细胞运动过程中的形变跟踪方法及系统

说明书

本发明涉及了一种细胞运动过程中的形变跟踪方法，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；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。本发明采用基于UNet的分割算法得到细胞轮廓，同时结合了基于卡尔曼滤波的目标跟踪算法，实现了流式细胞形变测试仪拍摄得到的医学图像的细胞分割与跟踪，能够完整的提取出细胞运动过程中的物理特性的变化趋势。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种细胞运动过程中的形变跟踪方法及系统。

背景技术

近年来，对细胞物理特性的研究一直是细胞研究中的热点，其中细胞的机械特性检测是工学、生物学、医学和统计学之间相互结合形成的跨学科前沿领域。研究人员通过设计各种检测技术包括原子力显微镜(AFM技术)，微吸管，微流控技术等对单细胞力学特性进行测量。原子力显微镜和微吸管技术可以准确的检测细胞的机械特性(例如刚度和粘弹性等)，但存在通量低和系统操作复杂的缺点，在医学应用领域由于检测样本少，最终结果可能会受到细胞异质性的影响。与AFM相比，微流控技术是一种高通量测量方法，然而流式细胞形变测试仪拍摄得到的医学图像对比度极低从而导致细胞分割困难。

发明内容

本发明的目的是提供一种细胞运动过程中的形变跟踪方法及系统，以实现流式细胞形变测试仪拍摄得到的医学图像的细胞分割与跟踪。

为实现上述目的，本发明提供了如下方案：

本发明提供一种细胞运动过程中的形变跟踪方法，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；

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。

可选的，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。

可选的，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的过程中的学习率为0.00001，规模为1，采用的损失函数为FocalLoss损失函数。