一种基于pso的多细胞位置轮廓同步精确跟踪系统的制作方法
【专利摘要】本发明提供了一种基于粒子群算法的多细胞位置与轮廓同步精确跟踪系统，包含三个主要模块：基于PSO的跟踪模块，基于PSO的发现模块和基于PSO的轮廓模块。本发明对于已存在细胞的跟踪，基于PSO的跟踪模块在利用已存在细胞的先验状态的基础上，得到细胞在当前帧中的初始状态，然后利用基于PSO的轮廓模块计算出细胞的轮廓，同时利用一个迭代的质心更新过程达到精确的跟踪。对于新出现细胞的跟踪，基于PSO的发现模块通过适当的粒子群初始化和搜索机制在整个图像中发现新细胞的位置，进而得到细胞的轮廓。
【专利说明】-种基于PSO的多细胞位置轮廓同步精确跟踪系统
【技术领域】
[0001] 本发明提供了一种基于PS0的多细胞位置与轮廓同步精确跟踪系统，属于细胞跟 踪领域。
【背景技术】
[0002] 细胞是生命活动的基本单位，是许多生物学过程中主要的表现者，对于任何有机 生命的胚胎发育、进化和生命维持，细胞的增殖、分化与迁移都是必不可少的环节。因此，对 细胞行为分析的研究在很多领域都是非常有价值的，包括干细胞研究、组织工程学、药物开 发、基因学和蛋白质组学等。例如，在发生炎症的早期，白细胞会在毛细血管后微静脉的内 表面滚动，其滚动速度能反映炎症反应的强度，揭露这些过程中的细胞机理有助于炎症机 制的理解和炎症治疗药物的开发。对细胞行为的传统分析方法是由专业人员观测的人工方 法或交互计算机辅助的半人工方法。当大量细胞需要在长时间中被跟踪到时，此类方法需 要大量的用户交互的图像处理工作，过程是很枯燥且费时的。此外，这类方法很有可能引入 用户偏见和丢失重要信息，所以，开发一种精确的方法来自动地跟踪细胞是非常重要和有 意义的。在过去的几十年里，随着数据处理和计算机视觉技术的迅速发展，开发出了许多细 胞自动跟踪方法。
[0003] 在细胞跟踪领域，实现跟踪方法的自动化与精确性面临着许多挑战，主要来自两 个方面的因素，即细胞因素和图像因素。细胞因素是指那些发生在细胞生命周期内的复杂 情况和多个细胞间的交互情况，例如由于细胞的分裂和死亡或者细胞进入或离开图像区域 造成细胞数量的变化，细胞形状变化、近邻和重叠等复杂的细胞拓扑结构，此外缺乏一致的 细胞运动模型，这些都是细胞跟踪的重点与难点。图像因素通常是指低的图像质量，由于生 物体的呼吸而引起的颤抖、细胞进入或离开共焦平面造成对比度的变化，使得所获取的图 像质量下降，也就是说细胞显微镜图像具有低的信噪比（SNR)或对比度，包含高噪声，此外 也有图像数据量很大的因素，加大了细胞跟踪的难度。
[0004] 目前存在的细胞自动跟踪方法可以分为三类，分别为基于检测与关联的跟踪方 法、基于模型演化的跟踪方法和基于滤波与采样的跟踪方法。基于检测与关联的细胞跟踪 方法包含两个主要步骤，即检测和关联。在第一步中，分别把每一帧中的细胞检测出来，同 时得到细胞的数目和单个细胞的状态（如何中心、面积等），在细胞跟踪系统中常用的检 测方法包括阈值法、梯度法（边缘检测）、拓扑学操作和分水岭算法。在第二步中，在连续两 帧或多帧中检测到的细胞被关联起来，这样就可以得到细胞的运动轨迹，此外还可以计算 出细胞的运动参数如瞬时速度和加速度等，关联通常基于最优化某一特定的目标函数，例 如最近邻法和平滑运动准则。但是在一些情况下，如图像中细胞密度很大、细胞分裂事件和 发生分割错误时，此类跟踪方法很可能会失败。阈值法是最常用的检测方法，但是对于视觉 系统中的强度变化和图像噪声，它也是最容易出现错误的一种方法。阈值法不能分割相互 接触的细胞，而分水岭变换提供了接触问题的一种有效的解决方法，其缺点是会因为噪声 和其趋向产生过分割现象。
[0005] 在基于模型演化的细胞跟踪方法中，先对细胞进行建模，然后在连续帧中更新这 个模型而到达跟踪的目的，前一帧中的跟踪结果被用于当前帧相关参数的初始化，能代表 细胞的外观或外形的模型就这样在帧间进行演化。根据建立模型的方法，此类跟踪方法中 的常用算法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。以主动轮廓法 为例，在前一帧中定义了一个与细胞轮廓相关的内部能量和外部能量之和的能量函数，在 当前帧中使得能量函数最小化，进而找出细胞轮廓。与分水岭变换相比，由于近邻细胞的轮 廓或外形在这个演化过程中容易被融合一个细胞，基于轮廓演化的跟踪方法具有产生图像 欠分割现象，它需要对结果进行后续处理。
[0006] 基于滤波与采样的细胞跟踪方法模仿人类视觉系统在图像序列中估计目标运动 流，能够通过整合高维度的空间、时间和先验信息来解决问题，更好利用时序信息和所研究 细胞动力学特征的先验知识。粒子滤波器（PF)常被用于细胞跟踪，但是在估计目标当前状 态的后验分布之前，需要知道测量模型和运动模型。Juang首次把混合高斯概率假设密度函 数（GM-PHD)滤波器应用于多细胞跟踪，在对细胞宗谱的研究中发现这种滤波器能够很好 地跟踪出细胞的世系和细胞的运动情况。Rezato fighi提出了 LGJMS-PHD滤波器的一个闭 式解，包含了状态独立的转移概率和分裂转移概率，这个滤波器明显减少了对于存在大量 细胞和检测噪声时的处理时间。REZA提出了多贝努利滤波器的一种序贯蒙特卡罗方法，该 方法不需要检测模块，直接利用从低质量的图像序列中提取出的时空信息，属于检测前跟 踪技术。尽管需要耗费大量的计算量，基于滤波与采样的跟踪方法相比于基于检测与关联 的跟踪方法能够更好地利用时空信息，特别是在低质量的细胞图像数据中能得到更加鲁棒 的跟踪结果。
【发明内容】
[0007] 本发明旨在解决在低对比图图像序列下多细胞的位置与轮廓跟踪难题，即对多细 胞动力学特性存在差异、多细胞发生变形，细胞数目时变，细胞近邻等情形，在无需细胞检 测模块，无需大量的细胞训练样本，通过粒子群的搜索与优化，建立合理的位置搜索策略和 轮廓模型，解决多细胞的位置与轮廓跟踪难题。
[0008] 本发明为了解决上述问题，提出的解决方案是：提供了一种基于粒子群算法的多 细胞位置与轮廓同步精确跟踪系统，包含三个主要模块：基于PS0的跟踪模块，基于PS0的 发现模块和基于PS0的轮廓模块；所述基于PS0的跟踪模块在利用已存在细胞的先验状态 的基础上，得到细胞在当前帧中的初始状态；所述基于PS0的发现模块通过适当的粒子群 初始化和搜索机制在整个图像中发现新细胞的初始状态；所述基于PS0的轮廓模块在得到 细胞初始状态的基础上计算出细胞的轮廓，同时利用一个迭代的质心更新过程达到精确的 跟踪。
[0009] 所述系统是对于每一帧图象中的细胞分为两类：已存在细胞和新出现细胞，如果 在上一帧中存在细胞，那么在当前帧中首先跟踪这些已存在细胞，然后再在图象中搜索新 出现细胞。所述系统对于已存在细胞的跟踪，对于显著性指标最大的细胞，先通过基于PS0 的跟踪模块得到细胞的初始状态，然后利用基于PS0的轮廓模块得到精确的细胞轮廓与位 置，若成功跟踪到该细胞，细胞继续存在与当前帧中，否则该细胞消失；所述系统对于新细 胞的跟踪，先通过基于PS0的发现模块得到细胞的初始状态，然后利用基于PS0的轮廓模块 得到精确的细胞轮廓与位置，对于跟踪结果，若不能关联到已存在细胞（最近邻法），则认 为发现一个新细胞，如果连续若干次的跟踪结果为杂波（虚警），认为当前帧中的所有细胞 已被跟踪。
[0010] 所述基于PS0的跟踪模块中的细胞显著性指标是通过细胞面积与轮廓信息联合 产生。
[0011] 所述系统对于已存在细胞的跟踪，采用顺序化的跟踪方法，基于PS0的跟踪模块 的具体步骤为：
[0012] 1)粒子群的初始化：已知在第t-ι帧存在Μ个细胞
【权利要求】
1. 一种基于PSO的多细胞位置与轮廓同步精确跟踪系统，其特征在于，包括基于PSO的 跟踪1?块，基于PS0的发现|旲块和基于PS0的轮廊|旲块；所述基于PS0的跟踪|旲块在利用 已存在细胞的先验状态的基础上，得到细胞在当前帧中的初始状态；所述基于PS0的发现 模块通过适当的粒子群初始化和搜索机制在整个图像中发现新细胞的初始状态；所述基于 PS0的轮廓模块在得到细胞初始状态的基础上计算出细胞的轮廓，同时利用一个迭代的质 心更新过程达到精确的跟踪。
2. 根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述系 统是对于每一帧图象中的细胞分为两类：已存在细胞和新出现细胞，如果在上一帧中存在 细胞，那么在当前帧中首先跟踪这些已存在细胞，然后再在图象中搜索新出现细胞；所述系 统对于已存在细胞的跟踪，对于显著性指标最大的细胞，先通过基于PS0的跟踪模块得到 细胞的初始状态，然后利用基于PS0的轮廓模块得到精确的细胞轮廓与位置，若成功跟踪 到该细胞，细胞继续存在与当前帧中，否则该细胞消失；所述系统对于新细胞的跟踪，先通 过基于PS0的发现模块得到细胞的初始状态，然后利用基于PS0的轮廓模块得到精确的细 胞轮廓与位置，对于跟踪结果，若不能关联到已存在细胞，则认为发现一个新细胞，如果连 续若干次的跟踪结果为杂波，认为当前帧中的所有细胞已被跟踪。
3. 根据权利要求2所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基 于PS0的跟踪模块中的细胞显著性指标是通过细胞面积与轮廓信息联合产生。
4. 根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基 于PS0的跟踪模块的具体步骤为： 1) 粒子群的初始化：已知在第t-ι帧存在Μ个细胞
，其中
表示细胞 Kw(k)在第t-Ι帧中的状态（质心和轮廓），对于其中显著性指标（在轮廓模块中讨论） 最大的细胞Kg (k)，初始化一个种群规模为Ντ的粒子群
粒子状态为
其中
和
分别为 第i个粒子代表的潜在细胞的质心横坐标，质心纵坐标，宽度和高度，粒子的初始状态为
其中Σ为预定义一个对角矩阵，
表示细胞Kg (k)在第t帧 中的预测状态，
和
分别为 细胞KhGO在第t-Ι和t-2帧中的全局最优粒子对应的状态，粒子的初始速度随机且分布 在
2) 基于PS0跟踪模块的适应度函数（为简化公式，上标t和下标Uk)被省略）：
其中，ε是一个极小 值，
表示粒子
代表的矩形区域与当前帧中已被识别的细胞
的重叠面积，fP( ·)是RGB图像的相似度函数，
是高斯核函数
σ 由细胞KhGO的半径得到； 则粒子的个体最优
与全局最优
为：
3) 修正的PSO算法：粒子的速度与状态更新公式为（为简化公式，上标t和下标KhGO 被省略）
其中，
ηp n2 e (0,1)是在每一次迭代时产 生的随机数； 4) 收敛条件：粒子群
中大部分粒子的平均适应度大于阈值
(其中，L和W分别为图像Yt的长度和宽度，λ为调节系数），或 者达到最大迭代次数ΜΙ，粒子群的输出记为
如果
则表示跟踪到细 胞
否则，该细胞消失，并被标记为丢失细胞
5.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基 于PSO的发现模块的具体步骤为： 1) 粒子群的初始化：在第t帧图像中初始化一个种群规模为ND的粒子群
，粒子状态为
，粒子随机分布于图像Yt中，粒子的初始速度随 机且分布在
2) 基于PSO的发现模块的适应度函数：
其中，ε是一个极小值，
表示粒子
代表的矩形区域与当前帧中已被识别的细胞'
的 重叠面积，fP( ·)是RGB图像的相似度函数； 3) 修正的PSO算法：参照基于PSO的跟踪模块第（3)步； 收敛条件：
，或者
，或者达到最大迭代次数MI, 是一个正整 数，粒子群的输出记为
*如果.
，则认为
是一个杂波（虚警），否 则
是一个真实的细胞，如果
不能与丢失细胞
相关联（最近邻关联 法），则发现到一个新细胞，并标记为Kt (M) +1。
6.根据权利要求1所述的多细胞位置与轮廓同步精确跟踪系统，其特征在于，所述基 于PSO的轮廓模块的具体步骤为： 1) 粒子群的初始化：细胞的初始状态为
初始化m个方向
其中
在每方向id上，初始化一个种群规模为N。的粒子群
粒子状态为
表示粒子i与细胞质心[x〇，y。]的距离，根据细胞 尺寸[wQ, hj初始化粒子的搜索空间为S = [max (Rmin, a R。)，min (Rmax, β R。)]，其中R。= (￥。+11(|)/4，1^11和1?_为在图像序列中观测到的细胞最小半径和最大半径，α和β是调节 系数，那么粒子的初始状态
*粒子速度初始化为〇 ; 2) 基于PSO轮廓模块的适应度函数：
其中，
表示像素 (x，y)的8邻域像素集合，|N(x，y)|表示集合N(x， y)中元素个数，1(.)为灰度值，表示集 合N(x，y)的平均灰度值，个体最优与全局最优更新公式：
3) 改进的PSO算法：粒子的速度与状态更新公式为
其中，
是群
的相邻群的输出， 对于群
在未发生质心更新时
发生质心更新之后为上一次各方向上PSO搜 索结果的平均值，对于其他群，
其中
表示群
的输出，％ n2, n3 e (〇, 1)是在每次迭代时产生的随机数，群
迭代mi。次后的输出作 为id方向上的轮廓采样点，则可以得到m个采样点
4) 质心更新过程：计算不在细胞轮廓上的采样点个数
其中 TH是在fd上利用Otsu方法计算得到的阈值，把
转化为2维状态（Xg，id，y g，id)，如果 [x〇, yj在细胞外，即大于一个预定义的阈值，按照下式更新质心位置
其中，
，如果[X(i，y〇]在细胞 内部，质心位置更新公式为
在每一次更新[Χ(ι，％]之后， 需要重新利用改进的PSO算法搜索出轮廓采样点，直到质心的偏移量很微小时停止更新； 最终的轮廓采样点为
顺序连接这些点后得到完整的细胞 轮廓
是轮廓上的第i个像素点，细胞的显著性指标为
其中A(p。）表示轮廓P。围城的细胞面积，4(·)为适应度函数。
【文档编号】G06T7/20GK104063880SQ201410259368
【公开日】2014年9月24日 申请日期:2014年6月12日 优先权日:2014年6月12日
【发明者】徐本连, 任亚运, 朱培逸, 鲁明丽, 施健, 蒋冬梅 申请人:常熟理工学院