一种基于多聚焦融合的肿瘤细胞扩散目标追踪方法

本发明涉及细胞扩散跟踪领域，具体涉及一种基于多聚焦融合的肿瘤细胞扩散目标追踪方法。

背景技术：

1、在细胞跟踪领域，至今流行的细胞跟踪算法大致分为两类：生成式跟踪法及判别式跟踪法。生成式跟踪法也叫基于模型更新的跟踪法，该算法前提是要在当前帧对细胞区域进行建模，获取目标的数学模型，下一帧的是通过寻找与模型最相似的区域来预测细胞位置。比较著名的算法有利用均值滤波、高斯混合及粒子滤波等方法进行细胞的跟踪。而这些方法要花费大量的时间在模型的匹配上，并且在低对比且细胞数据量较少的情况下，很难训练一个有代表性的网络模型，可行性不强。判别式跟踪法也叫基于检测的跟踪法，该方法的经典步骤是提取图像的特征，再利用svm等机器学习利用背景学习训练分类器，进行目标区域的分类。算法中定义当前帧的目标区域为正样本，背景区域为负样本，机器学习再利用训练好的分类器寻找下一帧的最优区域进行目标的匹配。

2、现有技术中虽然能够利用图像进行癌细胞扩散跟踪，但是，在图像处理时难以将肿瘤细胞的扩散情况精准的显示在同一张图像上，因此难以直观的显示肿瘤扩散情况，同时现有的细胞追踪均是滞后性追踪，难以实现对肿瘤细胞扩散的预见性，从而无法预先掌握肿瘤细胞的未来扩散情况，扩散追踪存在局限性。

技术实现思路

1、本发明的目的在于提供一种基于多聚焦融合的肿瘤细胞扩散目标追踪方法，以解决现有技术中难以直观的显示肿瘤扩散情况，同时现有的细胞追踪均是滞后性追踪，难以实现对肿瘤细胞扩散的预见性，无法预先掌握肿瘤细胞的未来扩散情况，扩散追踪存在局限性的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种基于多聚焦融合的肿瘤细胞扩散目标追踪方法，包括以下步骤：

4、在一组连续时序点上依次获取第一图像集合，其中，每个时序点处的第一图像集合中均包含有多个第一图像，所述第一图像对应于包含肿瘤细胞的生理组织的医学成像数据；

5、在每个时序点处的第一图像集合中，对每个第一图像中表征肿瘤细胞的局部区域进行聚焦评价，得到第一图像的聚焦评价结果；

6、根据第一图像的聚焦评价结果，对第一图像集合进行第一图像的筛选，得到第二图像，所述第二图像对应于表征肿瘤细胞的局部区域是聚焦区域的第一图像；

7、根据各个时序点处的第二图像，通过图像的多聚焦融合模型，得到第三图像，所述第三图像对应于各个时序点处第二图像中聚焦区域的融合结果，所述多聚焦融合模型为神经网络；

8、在第三图像中，依时序点连接表征肿瘤细胞的局部区域形成肿瘤细胞的局部扩散路径，并根据肿瘤细胞的局部扩散路径，利用神经网络进行局部路径学习，得到肿瘤细胞的全局扩散路径，其中，全局扩散路径对应于肿瘤细胞扩散目标追踪的路径。

9、作为本发明的一种优选方案，所述医学成像数据的种类至少包括：ct图像数据、mri图像数据和超声图像数据中的一种。

10、作为本发明的一种优选方案，所述对每个第一图像中表征肿瘤细胞的局部区域进行聚焦评价，包括：

11、将第一图像通过频域的低通滤波器，得到第一图像的低频滤波图像；

12、将第一图像的低频滤波图像与第一图像进行差分处理，得到第一差分图像；

13、将第一差分图像和第一图像，输入至参数测算网络，确定出第一差分图像的引导滤波运算参数；

14、根据第一差分图像的引导滤波运算参数构建引导滤波运算式，通过引导滤波运算式对第一差分图像进行引导滤波得到第一图像的聚焦表征图；

15、在第一图像的聚焦表征图中，统计第一图像的聚焦区域的像素面积；

16、在第一图像中，统计表征肿瘤细胞的局部区域的像素面积；

17、将第一图像中聚焦区域的像素面积在表征肿瘤细胞的局部区域的像素面积占比，作为第一图像中表征肿瘤细胞的局部区域的聚焦评价结果；

18、其中，所述参数测算网络的建立包括：

19、随机选取多个第一差分图像和第一图像分别作为第一样本图像和第二样本图像，并利用梯度下降方式设定引导滤波运算参数的一组预选值；

20、将引导滤波参数的各个预选值进行逐一匹配构成引导滤波运算式的一组可选式；

21、将一组可选式对第一样本图像进行引导滤波得到第二样本图像的聚焦表征图，在第二样本图像的聚焦表征图，量化第二样本图像的聚焦区域和非聚焦区域的像素差异度，得到第二样本图像的聚焦强化结果；

22、在每个第二样本图像中，利用神经网络对引导滤波运算参数的一组预选值与第二样本图像的聚焦强化结果，进行学习训练，得到表征引导滤波运算参数的预选值与聚焦强化结果间映射关系的聚焦强化效果评估网络；

23、利用聚焦强化效果评估网络在引导滤波运算参数的预选值的选值范围中进行逐一评估，得到第二样本图像的聚焦强化结果的选值范围，并将最高聚焦强化结果对应的引导滤波运算参数的预选值作为第二样本图像的最优引导滤波运算参数；

24、利用神经网络对第一样本图像和第二样本图像与第二样本图像的最优引导滤波运算参数，进行学习训练，得到所述参数测算网络；

25、所述聚焦强化效果评估网络的表达式为：

26、q=bp(filter_parameter)；式中，q为聚焦强化效果，filter_parameter为引导滤波运算参数，bp为bp神经网络；

27、所述参数测算网络的表达式为：filter_parameter =bp(s,sc)；

28、式中，filter_parameter为引导滤波运算参数，s,sc分别为第一样本图像和第二样本图像，bp为bp神经网络。

29、作为本发明的一种优选方案，获取第二图像，包括：

30、将各个时序点处的第一图像集合中各个第一图像的所述聚焦评价结果进行比较，并将第一图像集合中最大聚焦评价结果对应的第一图像标记为对应时序点处的所述第二图像。

31、作为本发明的一种优选方案，获取第三图像，包括：

32、获取各个时序点处的第二图像对应的聚焦表征图；

33、根据第二图像对应的聚焦表征图，通过决策运算生成融合决策矩阵；

34、将各个时序点处的第二图像，以及所述融合决策矩阵，输入至多聚焦融合模型中，得到各个时序点处的第二图像的融合权重；

35、将各个时序点处的第二图像依据所述融合权重进行加权平均运算，得到所述第三图像。

36、作为本发明的一种优选方案，所述多聚焦融合模型的建立，包括：

37、随机选取多个第二图像作为第三样本图像，根据第三样本图像的聚焦表征图获得第三样本图像的融合决策矩阵；

38、随机设定第三样本图像的多组融合权重；

39、利用多组融合权重对第三样本图像进行加权平均运算，得到多个第三样本图像的融合图像；

40、对第三样本图像的融合图像中表征肿瘤细胞的局部区域进行聚焦评价，得到第三样本图像的融合图像中表征肿瘤细胞的局部区域的聚焦评价结果；

41、将第三样本图像的融合图像中表征肿瘤细胞的局部区域的聚焦评价结果与各个第二图像对应的表征肿瘤细胞的局部区域的聚焦评价结果之和间的差值，作为第三样本图像的融合评估结果；

42、利用神经网络对第三样本图像的融合权重和第三样本图像的融合评估结果，进行学习训练，得到第三样本图像的融合评估网络；

43、利用融合评估网络在融合权重的选值范围中进行逐一评估，得到第三样本图像的融合评估结果的选值范围，并将最高融合评估结果对应的融合权重作为第三样本图像的最优融合评估结果；

44、利用神经网络对第三样本图像的融合决策矩阵与第三样本图像的最优融合评估结果，进行学习训练，得到所述多聚焦融合模型；

45、所述融合评估网络的表达式为：p=bp(w)；

46、式中，p为融合评估结果，w为融合权重，bp为bp神经网络；

47、所述多聚焦融合模型的表达式为：

48、w =bp(sd)；

49、式中，w为融合权重，sd为融合决策矩阵，bp为bp神经网络。

50、作为本发明的一种优选方案，所述融合决策矩阵的生成，包括：

51、将各个时序点处的第二图像对应的聚焦表征图进行逐一像素决策运算，并将聚焦表征图中像素最大值对应至第二图像中，将第二图像中与聚焦表征图中像素最大值相对应的像素进行保留，得到第二图像的决策矩阵；

52、将各个时序点处的第二图像的决策矩阵进行矩阵求和，得到所述融合决策矩阵；

53、其中，决策运算的运算式为：；；式中，rt(x,y)为第t个时序点处第二图像中(x,y)坐标点对应的决策矩阵中x行y列的值，bl为像素保留含义的标识符，nl为像素不保留含义的标识符，ft(x,y)为第t个时序点处第二图像中对应的聚焦表征图中(x,y)坐标点处的像素值，fk(x,y)为第k个时序点处第二图像中对应的聚焦表征图中(x,y)坐标点处的像素值，max为最大值运算符，为各个时序点处第二图像中对应的聚焦表征图中(x,y)坐标点处的像素最大值，n为第二图像的总数量或时序点总数量，t，k为计数变量；

54、r(x,y)为融合决策矩阵中x行y列的值。作为本发明的一种优选方案，确定肿瘤细胞的全局扩散路径，包括：

55、将肿瘤细胞的局部扩散路径中位于前置时序点处的表征肿瘤细胞的局部区域作为lstm神经网络的输入项，将肿瘤细胞的局部扩散路径中位于后置时序点处的表征肿瘤细胞的局部区域作为lstm神经网络的输出项；

56、利用lstm神经网络对lstm神经网络的输入项和lstm神经网络的输出项进行网络训练，得到所述全局扩散路径；

57、所述全局扩散路径的网络表达式为：

58、ofuture=lstm(oold)；

59、式中，ofuture为后置时序点处表征肿瘤细胞的局部区域，oold为前置时序点处表征肿瘤细胞的局部区域，lstm为神经网络。作为本发明的一种优选方案，所述决策矩阵与第二图像的像素矩阵的矩阵规格相一致。

60、作为本发明的一种优选方案，各个时序点处的第一图像均具有相同的医学成像设定。

61、本发明与现有技术相比较具有如下有益效果：

62、本发明通过将各个时序点处表征肿瘤细胞的局部区域依次进行聚焦识别和聚焦融合，实现将肿瘤细胞的扩散情况精准的显示在同一张图像上，可直观的静态显示肿瘤动态扩散情况，同时在静态显示肿瘤动态扩散情况基础上，学习出全局扩散路径，实现对肿瘤细胞扩散情况的预见性，预先掌握肿瘤细胞的未来扩散情况，降低扩散追踪的局限性。