基于多模式蚁群系统的变密度细胞跟踪方法
【技术领域】
[0001] 本发明设及细胞的运动特性获取技术领域，尤其设及一种基于多模式蚁群系统的 变密度细胞跟踪方法。
【背景技术】
[0002] 生物医学图像在医疗诊断和疾病治疗中的作用日益显著，细胞图像的研究是医学 图像中一个重要的分支。从细胞图像序列中提取目标特征信息及目标运动轨迹，是医学分 析中一项重要基本工作。在医学上判断和研究细胞图像序列，比较同一种细胞在不同生理、 病理或实验条件下形态的变化和运动轨迹，可W为病理分析和病情诊断提供重要的科学依 据。
[0003] 在过去的几十年里，生物成像技术的迅速发展为人类的健康提供了坚实的技术保 证，如巧光显微成像技术为研究细胞内的动力学行为提供了可能，用巧光蛋白粉对所感兴 趣的细胞内的结构进行标记并跟踪，在所形成的细胞"生命"历史纪录中来获取细胞的速 度、加速度和强度变化等信息，从而有助于细胞迁徙等相关细胞生物学的研究。例如，脊椎 动物的神经崎细胞在胚胎期会不断从背侧向腹侧移行，若出现突变，患者的体色、血细胞供 应和性细胞的形成都会出现异常（患者额头出现"白斑"）。由此可见，分析细胞迁徙运动 有助于掌握导致人类疾病的原因，并研究相关的治疗方法。
[0004] 细胞跟踪技术是研究细胞动力学行为最有效的工具之一，无论是在信息科学领 域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。W白细胞为例，白细胞 的滚动速度和数量也与炎症的轻重有着直接的关系，如在炎症发生时，E-selectin抑制剂 能增加滚动白细胞的速度，滚动速度的增加也间接表明了白细胞与发炎的血管内皮层之间 的依附作用减弱和炎症的加重。定性和定量地描述细胞的运动特性不仅能预测相关疾病， 也能为新医药的研制提供相应的依据和方向。近年来，虽然众多学者做了大量相关研究，但 仍有些原因制约着多细胞跟踪技术的发展：
[0005] 1)有些细胞会产生相应的变形，也就是说所跟踪的目标是一个变形体，而非刚体， 因此，它不同于传统的点目标跟踪情形，需要考虑细胞的形状和大小。
[0006] 2)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，加大了细胞跟踪的难度。
[0007] 3)细胞数目随时间的变化，且在运动过程中会出现靠近或交叉等现象。
[0008] 传统的细胞运动分析研究方法不但需要大量繁琐的人为操作，而且由于细胞形态 多样，变化微妙，运动轨迹复杂，分析结果的准确性和效率过多地依赖研究者的经验知识和 视觉估计，所得到的一般是定性的结论，而缺乏定量的描述、比较和分析，因此对于多细胞 运动分析技术的研究十分重要。随着数学、计算机技术及医学等有关学科的飞速发展成为 当前图像序列运动目标的检测与跟踪研究的热点。所谓图像序列多细胞跟踪是对图像序 列中运动目标进行检测、提取、识别，然后根据其图像特征对目标进行跟踪。跟踪是为了获 得目标的运动参数，如位置、速度、加速度W及运动轨迹等，从而为后续的图像分析、运动目 标的行为理解、及完成更高一级的任务奠定基础。
[0009]在过去的几十年中许多自动细胞跟踪方法被提出来，大概分为两种：确定性的方 法和概率的方法。确定性的方法一般将独立处理细胞的检测与跟踪。应用于复杂场景，如 细胞分裂、分割错误等时，往往跟踪失败。基于概率的方法利用先验的一些信息和测量信息 来估计细胞状态的后验概率密度函数。正确跟踪变密度多细胞在细胞跟踪中还是一个难 题，目前的技术还很少能处理运些情况，跟踪的精确性和稳定性都不足，对于变密度多细胞 的动力学特性的差异，其跟踪性能未加W研究等等。
【发明内容】
[0010] 本发明要解决的技术问题是：为了解决现有技术中对变密度细胞的跟踪方法在精 确性和稳定性上存在不足，本发明提供了一种基于多模式蚁群系统的变密度细胞跟踪方法 针对细胞密集或稀疏且动力学特性存在差异、细胞数目时变等情形，利用协作模式和竞争 模式构建独自的子信息素场，利用蚁群之间的交互信息实时更新妈蚁的工作模式，从而形 成总信息素场实现对细胞位置信息的估计，达到对变密度细胞准确跟踪的目的。
[0011] 本发明解决其技术问题所采用的技术方案是：一种基于多模式蚁群系统的变密度 细胞跟踪方法，包括W下步骤：
[0012] A)获取若干帖连续的变密度细胞的原始灰度图，选取其中一帖原始灰度图作为当 前帖，计算当前帖原始灰度图中像素的平均似然度，并根据计算结果在细胞可能出现的区 域内放置妈蚁，从而获得生成子蚁群初始分布；
[0013] B)利用当前帖原始灰度图的前一帖的细胞位置信息预测当前帖的细胞位置信息， 从而获得预测子蚁群初始分布；
[0014] C)将生成子蚁群初始分布和预测子蚁群初始分布中的妈蚁根据不同的工作模式 分为两组，两组妈蚁分别根据工作模式构建子信息素场，利用子信息素场更新蚁群的工作 模式，形成总信息素场，从而实现对细胞的位置估计；
[0015] D)基于总信息素场的构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进 行细胞位置估计，利用细胞距离与特征信息相融合的策略进行数据关联，获取细胞运动轨 迹及相关的动力学参数。
[0016] 作为优选，所述步骤A)中，获得生成子蚁群初始分布的具体步骤为：将当前帖原 始灰度图分为ClXC2个方块，计算每个方块像素的平均似然度：
[0017]
[001引其中P为方块内像素的个数，η1为像素点i的似然函数；
[0019]如果币.，>化&，则N个妈蚁随机的放置在方块内的像素上，否则不分配任何妈蚁。
[0020] 作为优选，所述步骤B)中，获得预测子蚁群初始分布的具体步骤为：假定第t-1 帖原始灰度图中包含Μ个细胞，表示为Ωμ: = (1，2,…，Μ}，包含有N个妈蚁的子蚁群 而胸=挥的浩，用于跟踪第t帖原始灰度图中的细胞m(meΩμ)则有：
[0021]
[0022] 其中：
为状态向量，包含X与y方向上的位置与速 度信息，Fk(t)为状态转移矩阵。
[0023] 作为优选，所述步骤C)中的分组方式具体为：对包含有N个妈蚁的子蚁群中任一 个妈蚁，产生一个随机数r，按公式
尋子蚁群中的妈蚁分为两 组，其中r。为阔值，其中一组妈蚁W协作模式工作在它们独立的子信息素场中，另外一组妈 蚁W竞争模式工作在它们独立的自信息素场中。
[0024] 具体的，所述步骤C)中实现对细胞的位置估计的具体步骤为：
[0025]a)若子蚁群S(S=1:ni+ri2)中的妈蚁k化e Γ1)位于像素i，妈蚁k是W协作模 式工作，则妈蚁k选择其邻域中某一像素j的概率为：
[0026]
[0027] 其中似然函数定义为
τ,价为信息素，α。0 1分别为 信息素和似然函数值的控制参数，Η(i)为像素i的近邻像素集；
[0028] 妈蚁k同时释放一定量的信息素Δτ。（如果它选择像素j)，AΤι(未选择，还处 于像素i的位置）；
[0029] b)若子蚁群S (S= 1:叫+山）中的妈蚁k化eΓ2)位于像素i，妈蚁k是W竞争模 式工作，考虑信息素总量巧日信息素相对量
的作用，妈蚁k选择其邻域中某 一像素j的概率为：
[0030]
[0031] 其中，似然函数定义为
[003引τ;梅是第S个子蚁群在像素j上的信息素量，τ,.的为信息素总量，定义为
?2, 02, 丫分别为信息素总量、似然函数值和信息素相对量的