一种基于势估计辅助的蚁群聚集细胞跟踪系统的制作方法

本发明属于细胞跟踪领域，更具体地涉及一种基于势估计辅助的蚁群聚集细胞跟踪系统。

背景技术：

细胞特征是反应生命状态的基本信息。随着显微镜成像技术和生物医学图像技术的发展，细胞运动的研究在医疗诊断、疾病治疗和药物开发中的应用日益广泛。依靠数字图像处理技术解决包括细胞染色、计数、分类和跟踪等问题，能把科研人员从繁重和重复的劳动中解脱出来，并且作为一种非接触式和非入侵式的自动化测量手段，更能反映细胞的自然生长状态和行为。因此，基于显微图像的多细胞自动跟踪技术被越来越多的研究者关注。

细胞跟踪或运动分析定义为获取细胞数量、位置、速度、轨迹及每个细胞生存周期(分裂，生长，凋亡)的记录并对其进行分析，形成细胞行为的统计信息。在细胞跟踪领域，实现跟踪方法的自动化与高精度面临着许多挑战，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，例如细胞形状变化、聚集等复杂的细胞拓扑结构，或者由于细胞的分裂和死亡，进入或离开图像区域导致细胞数量的变化，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或对比度，包含较多噪声，特别是对于非染色细胞的跟踪，细胞图像的信噪比会更低。此外，还存在同类细胞间个体的外观差异非常小等问题。图像质量的下降加大了跟踪的难度，而显微镜头的抖动会引起观测视野比较大的改变。

在细胞跟踪方面，近几年也取得了一些成果，但大多依赖于精确的细胞检测信息，而对于具有复杂性和多样性的细胞图像序列，其跟踪精度不高，很难准确描述其统计特性。而目前由于多数学者研究的目的不同，造成细胞跟踪相关研究成果之间联系较为松散，缺乏统一完善的细胞跟踪体系与框架。本发明旨在解决数目时变、运动特性各异等细胞跟踪难题，利用基于势估计辅助的蚁群算法，最终实现聚集细胞的跟踪

技术实现要素：

1、本发明的目的。

本发明为了提高细胞图像序列的跟踪精度，提出了一种基于势估计辅助的蚁群聚集细胞跟踪系统。

2、本发明所采用的技术方案。

本发明提供了一种基于势估计辅助的蚁群聚集细胞跟踪系统，包括：

细胞势预测与信息素场初始分布模块，原始图片输入后，利用细胞信息素场存在概率进行细胞势预测，并基于前一帧细胞信息素场结果，对当前帧信息素场进行预测作为信息素场初始分布，包括存在细胞和新出现细胞两种情况。

蚂蚁决策模块，利用基于启发式、信息素及梯度信息指数形式的蚂蚁工作模式构建信息素场，实现聚集细胞跟踪。

信息素场存在概率更新模块，利用蚂蚁最终位置及其邻域内信息素场平均值，实现存在概率的更新。

细胞势估计及状态提取模块，存在概率更新后，计算大于某一阈值的存在概率的个数实现细胞势估计。基于蚁群信息，利用聚类的方法提取细胞位置信息。

更进一步，所述细胞势预测与信息素场初始分布的具体步骤为：

1)假定在第k-1帧有mk-1个细胞，在第k帧细胞可能依然存活或有新细胞出现。假如第k-1帧信息素后验强度可表示为多伯努利项：其中为第k-1帧第ι个细胞的信息素场的存在概率，ι＝1,2,...,mk-1，mk-1表示细胞个数。为第k-1帧第ι个细胞的信息素场的概率密度，表示为：表示均值为e和协方差为g的高斯函数，是为第k-1帧，第ι个细胞第ν个分量的均值，为第k-1帧，第ι个细胞第ν个分量的协方差，为权值，jγ,k是高斯分量数，ν为高斯分量标识。则第k帧信息素强度初始值可预测为其中表示预测的存活细胞信息素强度，为预测的新出现细胞信息素强度。

2)利用第k-1帧信息素场结果预测存活细胞信息素强度，表示为其中ps,k为细胞信息素状态从第k-1帧到第k帧的存活概率，fk-1是信息素转移矩阵，qk-1为过程噪声协方差，p为存活细胞标识，jk-1是高斯分量数。

3)预测的新出现细胞信息素强度和为第k帧第υ个新出现细胞信息素场的存在概率和概率密度，mγ,k为新出现细胞的个数,为权重,为均值和方差，γ为新生细胞标识，jγ，k是高斯分量数；

4)细胞势的估计可表示为：

更进一步，所述蚂蚁搜索规则模块，具体为：

1)输入细胞图像，首先利用背景提取方法获得图像背景，然后用原始图像减去背景图像后，获得目标图像，在目标像素上生成初始蚁群分布。蚂蚁在信息素量及梯度信息和启发式函数的引导下移动。假如蚁群中的蚂蚁a当前位于像素i，考虑聚集细胞状态之间的影响，需要引导蚂蚁向细胞中心位置移动，设计基于信息素梯度的蚂蚁工作模式。则该蚂蚁选择其邻域内某一像素j的概率为：其中ω(i)为像素i的近邻像素集，τj(t)为信息素量，ηj为启发式函数，为像素j的信息素梯度值。α,β,γ分别为信息素和似然函数值及信息素梯度的控制参数；

2)ηj为启发式函数。其中为训练模板数据，为模板个数，hj为蚂蚁采样到的区域，σ为核带宽，ξ为分量数，λ为调节系数。

3)像素j的信息素梯度值其中为像素j，位置为(x,y)的信息素量。

4)当所有蚂蚁按上述概率完成选择后，更新像素j的信息素量τj(t)←ρτj(t-1)+uj(t-1)+gj(t-1)，其中ρ表示信息素残留系数，如果蚂蚁移动到像素j,则蚂蚁未移动，则gj(t-1)为信息素扩散值，其中|ω(j′)|表示像素j′邻域集的数量，τj'(t-1)为t-1时刻像素j'上的信息素量。d为信息素扩散半径，dj为像素j和j'之间的距离；

5)继续上述步骤1-4，直至所需的迭代次数。

更进一步，所述存在概率更新模块具体为：

假定在第k帧，信息素场存在概率ι＝1,...,mk|k-1给定，则对存在概率ι＝1,...,mk更新。其中|t(ja)|为区域t(ja)内像素的个数，ja为蚂蚁a所处的像素，为蚂蚁个数。

更进一步，所述细胞势估计及状态提取模块具体为：

1)势估计：当存在概率rth为阈值时，细胞数目为存在概率的个数。

2)状态提取：首先检测出信息素场峰值τmax，对应的像素位置为然后计算周围像素位置zτ到中心位置的距离如果dτ<dth，dth为阈值，则位于zτ的蚂蚁被归为当前子蚁群用于估计细胞状态。在剩余信息素场中检测信息素最大值，重复以上过程直到所有蚂蚁被归类。

3)数据关联：利用细胞距离关系进行数据关联获取细胞运动轨迹及相关的动力学参数。本发明技术方案可解决在细胞图像聚集细胞跟踪问题。对细胞聚集、细胞进入或离开视图和细胞数目时变等情形，利用基于势预测和新颖的信息素更新机制构建信息素场，并对存在概率进行更新，可同时估计细胞的数目和状态，解决聚集细胞跟踪难题。

3、本发明的有益效果：

1)本发明所提出的基于势估计辅助的蚁群聚集细胞跟踪系统能精确估计聚集细胞的数目和状态(位置与速度)；

2)本发明通过细胞势预测及势估计辅助解决聚集细胞的数目估计与跟踪问题，同时针对细胞进入或离开视图的多细胞跟踪取得了良好跟踪效果。

3)本发明所设计的方法跟踪精度高，其性能与人工跟踪方法相当，但计算时间减少；与smal博士提出的粒子滤波器细胞跟踪方法及reza教授提出的多贝努利滤波器相比，准确率precision和回波率recall相比都显著下降，如表一所示。

表一不同算法跟踪性能比较

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为未考虑数据关联情况下本发明结构图。

图2为细胞跟踪的原始图像序列1。

图3为细胞跟踪的原始图像序列2。

图4为序列1的结果分析，(a)多次迭代后信息素场分布结果，(b)我们提出的方法二维2-d跟踪的结果,(c)3-d跟踪结果。

图5序列1的跟踪结果，(a)x方向上所有细胞位置估计，(b)y方向上所有细胞的位置估计)。

图6序列1的跟踪结果，(a)x方向上所有细胞瞬时速度估计，(b)y方向上所有细胞瞬时速度估计。

图7为细胞数目估计对比结果。

图8序列2的结果分析，(a)多次迭代后信息素场的分布结果(b)我们提出的方法跟踪的结果(c)3-d跟踪结果。

图9序列2的跟踪结果，(a)x方向上所有细胞位置估计，(b)y方向上所有细胞的位置估计。

图10序列2的跟踪结果，(a)x方向上所有细胞瞬时速度估计，(b)y方向上所有细胞瞬时速度估计。

具体实施方式

如图1所示，原始图片输入后，利用细胞信息素场存在概率进行细胞势预测；在基于信息素梯度指数形式的蚂蚁工作模式下利用基于钟形曲线的信息素扩散模型构建信息素场；在此基础上更新信息素场存在概率并同时进行细胞数目和状态估计，最后利用细胞距离特征关联获取细胞运动轨迹，实现聚集细胞的跟踪。

所述细胞势预测与信息素场初始分布的具体步骤为：

1)假定在第k-1帧有mk-1个细胞，在第k帧细胞可能依然存活或有新细胞出现。假如第k-1帧信息素后验强度可表示为多伯努利项：其中为第k-1帧第ι个细胞的信息素场的存在概率，ι＝1,2,...,mk-1，mk-1表示细胞个数。为第k-1帧第ι个细胞的信息素场的概率密度，表示为：表示均值为e和协方差为g的高斯函数，是为第k-1帧，第ι个细胞第ν个分量的均值，为第k-1帧，第ι个细胞第ν个分量的协方差，为权值，jγ,k是高斯分量数，ν为高斯分量标识。则第k帧信息素强度初始值可预测为其中表示预测的存活细胞信息素强度，为预测的新出现细胞信息素强度。

2)利用第k-1帧信息素场结果预测存活细胞信息素强度，表示为其中ps,k为细胞信息素状态从第k-1帧到第k帧的存活概率，fk-1是信息素转移矩阵，qk-1为过程噪声协方差，p为存活细胞标识，jk-1是高斯分量数。

3)预测的新出现细胞信息素强度和为第k帧第υ个新出现细胞信息素场的存在概率和概率密度，mγ,k为新出现细胞的个数,为权重,为均值和方差，γ为新生细胞标识，jγ，k是高斯分量数；

4)细胞势的估计可表示为：

所述蚂蚁搜索规则模块，其步骤如下：

1)输入细胞图像，首先利用背景提取方法获得图像背景，然后用原始图像减去背景图像后，获得目标图像，在目标像素上生成初始蚁群分布。蚂蚁在信息素量及梯度信息和启发式函数的引导下移动。假如蚁群中的蚂蚁a当前位于像素i，考虑聚集细胞状态之间的影响，需要引导蚂蚁向细胞中心位置移动，设计基于信息素梯度的蚂蚁工作模式。则该蚂蚁选择其邻域内某一像素j的概率为：其中ω(i)为像素i的近邻像素集，τj(t)为信息素量，ηj为启发式函数，为像素j的信息素梯度值。α,β,γ分别为信息素和似然函数值及信息素梯度的控制参数，t为迭代次数；

2)ηj为启发式函数。其中为训练模板数据，为模板个数，hj为蚂蚁采样到的区域，σ为核带宽，ξ为分量数，λ为调节系数。

3)像素j的信息素梯度值其中为像素j，位置为(x,y)的信息素量。

4)当所有蚂蚁按上述概率完成选择后，更新像素j的信息素量τj(t)←ρτj(t-1)+uj(t-1)+gj(t-1)，其中ρ表示信息素残留系数，如果蚂蚁移动到像素j，蚂蚁未移动gj(t-1)为信息素扩散值其中|ω(j′)|表示像素j′邻域集的数量，τj'(t-1)为t-1时刻像素j'上的信息素量。d为信息素扩散半径，dj为像素j和j'之间的距离；

5)继续上述步骤1-4，直至所需的迭代次数。

所述存在概率更新模块的工作步骤如下：

假定在第k帧，信息素场存在概率ι＝1,...,mk|k-1给定，则对存在概率ι＝1,...,mk更新。

其中|t(ja)|为区域t(ja)内像素的个数，ja为蚂蚁a所处的像素，为蚂蚁个数。

所述细胞势估计及状态提取模块的工作步骤如下：

1)势估计：当存在概率rth为阈值时，细胞数目为存在概率的个数。

2)状态提取：首先检测出信息素场峰值τmax对应的像素位置为然后计算周围像素位置zτ到中心位置的距离如果dτ<dth，dth为阈值，则位于zτ的蚂蚁被归为当前子蚁群用于估计细胞状态。在剩余信息素场中检测信息素最大值，重复以上过程直到所有蚂蚁被归类。

3)数据关联：利用细胞距离关系进行数据关联获取细胞运动轨迹及相关的动力学参数。

图4-7为序列1(例1)的跟踪结果。从图4可看出所有细胞都可以被可靠跟踪。细胞2和细胞5，细胞11和细胞12从第1帧到第7帧聚集一起，然后细胞11离开。细胞4在第16帧进入视图第27帧离开。细胞14在第2帧进入视图第8帧离开。细胞15在第7帧进入，细胞16在第17帧进入，第24帧离开。图5给出了细胞在x和y方向上的位置估计，图6给出了细胞在x和y方向上的瞬时速度估计。图7给出了细胞数目估计对比结果。

图8-10为序列2(例2)的跟踪结果。从图8可看出，变形细胞都被准确跟踪到，细胞数目保持不变。图9给出了细胞在x和y方向上的位置估计，图10给出了细胞在x和y方向上的瞬时速度估计。

本发明技术方案可解决在细胞图像聚集细胞跟踪问题。对细胞聚集、细胞进入或离开视图和细胞数目时变等情形，利用基于势预测和新颖的信息素更新机制构建信息素场，并对存在概率进行更新，可同时估计细胞的数目和状态，解决聚集细胞跟踪难题。