[发明专利]一种基于深度神经网络的细胞追踪方法

摘要

本发明公开了一种基于深度神经网络的细胞追踪方法，涉及图像处理技术领域，解决连续的显微镜细胞图片序列中细胞追踪的问题。本发明包括收集细胞图片数据，裁出细胞数据，使用卷积神经网络提取细胞特征，获得一个初始化的多任务观测模型；给定显微镜图片序列的第一张图片和细胞位置，在下一帧图片中获取第一张图片中细胞位置附近的候选细胞位置；在第一张图片上采样正样本和负样本，训练初始化的多任务观测模型，并对候选细胞位置进行预测，得到细胞的预测相似度概率值；预测相似度概率值最大的候选细胞位置作为下一帧图片的细胞位置，将最大预测相似度概率值和对应的细胞位置保存到一个模型更新策略中，进行阈值进行比较。本发明用于细胞的追踪。

主权项

1.一种基于深度神经网络的细胞追踪方法，其特征在于，包括如下步骤：(1)收集细胞图片数据，裁剪出细胞数据，使用卷积神经网络提取细胞特征，获得一个初始化的多任务观测模型；所述步骤(1)中包括如下步骤：(11)细胞特征提取任务：通过构造一个三分类任务来定义细胞特征提取任务，三个类别包括无细胞类别，分裂中细胞类别，普通细胞类别，其中无细胞类别包含死亡的细胞以及其他有机物；(12)数据获取：从细胞图片数据中获取包含步骤(11)中三类类型的情形，将对应的图片位置截取出来，然后对所有截取的图片切片统一到32×32的大小，得到裁剪出的细胞数据；(13)卷积神经网络训练：将得到的细胞数据输入到卷积神经网络学习特征提取任务，获得初始化的多任务观测模型；(2)给定显微镜图片序列的第一帧图片，并给定第一帧图片中的细胞位置，利用粒子滤波方法在下一帧图片中获取当前帧图片中细胞位置附近的多个候选细胞位置，其中下一帧图片是指按照顺序的下一帧图片；(3)在第一帧图片上采样正样本和负样本，就在初始化的多任务观测模型上训练一个二元分类器，将训练好的多任务观测模型对后续图片的候选细胞位置进行预测，得到细胞的预测相似度概率值；(4)选取预测相似度概率值最大的候选细胞位置作为下一帧图片的细胞位置，将最大预测相似度概率值和对应的细胞位置保存到一个模型更新策略中，设置一个阈值，如果更新后的最大预测相似度概率值小于阈值，转到步骤(2)进行i+1帧图片的追踪，其中，i表示当前帧图片；反之，转到步骤(3)重新采样训练；所述步骤(4)中的模型更新策略具体包括如下步骤：(41)先对模型中的队列初始化：从第一帧图片上细胞位置1到2个像素点截取N个正样本进行模型初始化，初始化的N个正样本的相似度概率为1，然后通过相似度衰减规则公式对相似度进行衰减，保证队列首的细胞相似度衰减的慢，队列尾的细胞衰减的快；上式中，β_k是细胞的相似度，其中k∈(1，Z)，Z是细胞的个数，是一个常数，用来控制衰减的速度；(42)每次有新的细胞图片进入队列都要对队列中细胞的相似度进行衰减更新，然后要通过一个判断：β_new＞β_min，如果新的图片比队列中的最小的相似度还要小，那么该新的细胞图片丢弃不加入，否则新的细胞图片加入到队列首进行更新；(43)如果有新的图片加入到队列中，在队列中搜索相似度最小的细胞样本从队列里删除，不改变队列其他样本的顺序。