基于双光子钙成像数据的细胞胞体自动识别与分割方法及装置

本发明涉及图像处理/神经生物学数据分析，尤其涉及一种基于双光子钙成像数据的细胞胞体自动识别与分割方法及装置。

背景技术：

1、大脑是十分重要且复杂的器官，许多国家早已将脑科学与类脑研究列为国家的战略级科技，而脑科学的发展离不开高效、高分辨率的神经活动记录技术。双光子钙成像技术是目前监测大量神经元的标准工具，以单细胞分辨率水平在体记录大量神经元的活动。但由于双光子钙成像技术产生庞大的数据量、数据的信噪比低，且还具有对成百上千个神经元同时成像的特点，随之带来的是数据分析方面的难题：以人工方式进行细胞的识别费时并且标准很难统一，为此，目前已有许多算法用来自动地、精确地快速识别单个神经细胞的位置和轮廓。

2、针对钙成像数据量非常庞大这一难点，有些细胞识别与分割算法通过计算时序均值、时序最值或时序相关的方法，先将三维的钙成像视频压缩为二维的摘要图像，使得数据量大小只与成像区域大小有关而与成像时间无关，然后再在摘要图像上利用传统的模式识别与图像分割算法识别或分割细胞，但这种方法存在不足：由于舍弃了时间维度，摘要图像中的神经元会重叠，反而增加了细胞识别与分割的难度。

3、有些细胞识别与分割算法直接基于钙成像视频数据，将其视作不同成分的钙荧光信号的空间组合，对信号进行聚类或对钙成像视频进行矩阵分解，实现对细胞的识别与分割，但这种方法存在数据存储量大、运算效率低的缺点，并且识别分割的结果不全是研究中更感兴趣的神经元胞体，可能还包括神经元的轴突、树突等结构。

技术实现思路

1、本发明目的在于针对现有技术的不足，提出一种基于双光子钙成像数据的细胞胞体自动识别与分割方法，能够提高运算效率、降低数据存储量，解决现有方法在细胞识别中容易漏掉细胞、识别分割结果除胞体外还包含轴突、树突等结构的问题。

2、本发明的目的是通过以下技术方案来实现的：第一方面，本发明提供了一种基于双光子钙成像数据的细胞胞体自动识别与分割方法，该方法包括以下步骤：

3、步骤1、获取细胞的双光子钙成像视频，对每一帧视频图像进行图像去噪与图像增强；

4、步骤2、计算双光子钙成像视频中每个像素点坐标的荧光钙信号与其周围邻域内若干个坐标点的荧光钙信号的时序相关系数并求均值作为像素点的灰度值，将双光子钙成像视频降维成局部相关摘要图像，在局部相关摘要图像上基于多尺度圆点增强的细胞识别算法，通过构造与hessian矩阵的特征值有关的函数，增强图像中直径在一定范围内的圆形结构，计算成像区域内不同尺寸的圆形结构的中心坐标，即细胞胞体的种子点；

5、步骤3、根据步骤2得到的种子点，对于每一个种子点，将双光子钙成像视频裁剪为以种子点为中心大小固定的区块视频，在区块视频上应用基于椭圆形状约束活动轮廓模型的细胞分割算法，得到细胞胞体的轮廓；具体为：构造关于水平集函数的能量函数在最小化的同时演化其中函数对应于细胞的轮廓，为了构造能量函数首先根据双光子钙成像数据的特征构造数据驱动项，衡量轮廓内外相关性向量的差异，每个坐标点u的相关性向量i(u)，通过计算该位置的荧光钙信号与区块内所有坐标点v的荧光钙信号的相关值后得到：

6、

7、其中图像中的像素点u＝(x,y)，i(u)为一维的相关性向量，作为该像素的新特征，n是区块内像素点的总数，v是区块内所有坐标点，ω定义为图像域，图像i:ω→rn被定义在图像域上；其次，利用胞体呈椭圆形状的先验值，在能量函数中增加一个椭圆形状约束项，使得最终获得的细胞轮廓趋于椭圆；具体如下：

8、在水平集演化的过程中，将轮廓拟合为一个参数化的椭圆，并用这个椭圆限制水平集的演化，使得最终水平集的轮廓也接近一个椭圆，交替演化的步骤如下：

9、(1)初始化水平集函数与椭圆形状φ(x,y)；

10、(2)在确定的情况下，通过梯度下降法最小化能量函数，得到φ(x,y)的演化方程，由于φ(x,y)是参数化的椭圆，由椭圆的中心坐标(x0,y0)、椭圆的半长轴a、椭圆的半短轴b、椭圆旋转的角度θ确定：

11、

12、因此演化φ(x,y)即更新参数(x0,y0,a,b,θ)；

13、(3)确定φ(x,y)后，再通过梯度下降法最小化能量函数，更新

14、(4)重复步骤(2)、步骤(3)直至达到收敛条件，即水平集函数的变化小于设定值或迭代次数大于设定值。

15、进一步地，所述图像去噪采用各向异性滤波算法。

16、进一步地，所述图像增强采用顶帽变换，得到原图中灰度较亮的区域。

17、进一步地，步骤2中，基于多尺度圆点增强的细胞识别算法，计算成像区域内不同尺寸的近圆结构的中心坐标的具体步骤如下：

18、(2.1)根据局部相关摘要图像中细胞半径的上下限设置尺度参数的上限σmin与下限σmax；

19、(2.2)对于尺度参数上下限内的每个尺度参数σ，计算单尺度高斯空间内每个像素点(x,y)的hessian矩阵的特征值λ1、λ2；

20、(2.3)引入特征值λ3，其中三维空间中球状结构对应的hessian矩阵特征值满足λ1≈λ2≈λ3＜0,管状结构对应的hessian矩阵特征值满足|λ2|≈|λ3|≥λ1，并设置参数τ将其正则化为λρ；

21、

22、(2.4)计算球状结构相似性函数

23、(2.5)重复步骤(2.2)到步骤(2.4)，计算所有尺度参数σ对应的vr(x,y,σ)；

24、(2.6)对于每个像素点(x,y)，取其在所有尺度参数下的vr(x,y,σ)的最大值，得到多尺度球状结构相似性函数vr(x,y)，即得到球状结构增强图像；

25、(2.7)根据概率学理论中正态分布的3σ原则设置阈值th，将球状结构增强图像二值化，其中属于球状结构的像素点值为1，其他像素点的值为0；

26、(2.8)使用形态学滤波方法去除图中面积不符合需求的结构；

27、(2.9)计算图中每个圆球状结构的重心，得到种子点坐标。

28、第二方面，本发明还提供了一种基于双光子钙成像数据的细胞胞体自动识别与分割装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种基于双光子钙成像数据的细胞胞体自动识别与分割方法。

29、第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的一种基于双光子钙成像数据的细胞胞体自动识别与分割方法。

30、本发明的有益效果：

31、1、实现对由双光子荧光显微镜采集的视觉皮层神经元荧光活动数据的自动化处理，自动识别成像区域内成百上千个神经元的位置并分割胞体的轮廓，后续提取出神经元的荧光钙信号用于联合行为分析认知功能的神经机制，对于推进脑科学的发展有重要价值。

32、2、先将三维的钙成像视频压缩为二维的摘要图像，然后再在摘要图像上识别细胞的种子点，做使得细胞识别算法的数据量大小只与成像区域大小有关而与成像时间无关，之后以种子点为中心将钙成像视频裁剪为区块视频，然后再在区块视频上分割细胞的轮廓，这样做也使得细胞分割算法的数据量与运算量大大降低。

33、3、提出基于多尺度圆点增强的细胞识别算法，能够识别成像区域内不同大小的近圆细胞胞体，而不识别神经元的轴突、树突等结构。

34、4、提出基于椭圆约束活动轮廓模型的细胞分割算法，基于相关性向量构造的数据驱动项，使得分割的轮廓更加准确，引入的椭圆约束项使得零水平集轮廓接近一个椭圆，这样分割的轮廓只包含细胞胞体，而将轴突、树突等结构排除在外。