專利名稱：追蹤生物材料運(yùn)動的系統(tǒng)和方法
相關(guān)申請的交叉引用
本申請要求于2007年2月9日提交的申請?zhí)枮?0/889,006的美國臨時申請的優(yōu)先權(quán)；該臨時申請?jiān)诖送暾匾胱鳛閰⒖肌?br> 發(fā)明領(lǐng)域 本發(fā)明涉及追蹤生物材料的運(yùn)動的系統(tǒng)和方法。

背景技術(shù)：
通常，雖然已經(jīng)有成功的基因組測序程序和其他類型的程序，大多數(shù)基因、細(xì)胞和病毒在人和其他生物體中的作用方式仍是相對未知的。因此，需要能使人學(xué)習(xí)和理解基因功能的高通量(high-throughput)篩選。高通量篩選使得研究和分析成百上千的基因產(chǎn)物成為可能。這些分析的結(jié)果使人可以研究細(xì)胞內(nèi)發(fā)生的生物學(xué)過程，這對分析細(xì)胞是必要的，因?yàn)閷ι飳W(xué)檢測的科學(xué)研究而言，細(xì)胞追蹤(cell tracking)是重要的。
典型地，需要使用計算機(jī)來追蹤細(xì)胞，以對眾多細(xì)胞中的單個細(xì)胞染色標(biāo)記，并在細(xì)胞從一幀(frame)向另一幀運(yùn)動的過程中追蹤它。這一追蹤被標(biāo)記細(xì)胞的運(yùn)動的過程容易出錯且耗費(fèi)時間，這是因?yàn)楸M管這一個細(xì)胞已被標(biāo)記，但仍然難以在從一幀至另一幀的眾多細(xì)胞中被識別。此外，用于標(biāo)記細(xì)胞的染料可能會妨礙正常的細(xì)胞周期，因此無法獲得細(xì)胞從一幀向另一幀運(yùn)動的過程中如何工作的真實(shí)圖景。
有幾種不同的用于計算機(jī)追蹤細(xì)胞的算法，諸如卡爾曼濾波(Kalman filter)和粒子濾波(particle filter)?？柭鼮V波是一種有效的回歸濾波算法，它根據(jù)一系列不完整和有噪聲的測量來估計動態(tài)系統(tǒng)的狀態(tài)?？柭鼮V波使用基于二階統(tǒng)計量的追蹤方法以追蹤對象的運(yùn)動，例如細(xì)胞從一點(diǎn)到另一點(diǎn)。卡爾曼濾波使用的追蹤方法假定動態(tài)和測量模型與高斯噪聲存在線性關(guān)系。然而，對于細(xì)胞圖像序列，有很多干擾因素，例如背景雜物，因而使生成干凈的細(xì)胞界線變得困難，而這經(jīng)常會導(dǎo)致卡爾曼濾波追蹤的崩潰。
粒子濾波是序列蒙特卡洛法的一種形式，它使用基于隨機(jī)采樣的復(fù)雜的模型估算技術(shù)。粒子濾波不需要假定高斯分布，動態(tài)和測量模型也可以是非線性的。粒子濾波不受到卡爾曼濾波的缺點(diǎn)的限制。但這樣的代價是速度的降低。然而，盡管如此，粒子濾波并不慢。就速度而言，使用粒子濾波替代卡爾曼濾波相當(dāng)于從極快變?yōu)閷τ诖蠖鄶?shù)應(yīng)用足夠快。
粒子濾波和卡爾曼濾波的根本不同在于它們表示狀態(tài)的方法。卡爾曼濾波為每個參數(shù)存儲一個數(shù)值，并以協(xié)方差矩陣的形式存儲每個參數(shù)之間的對應(yīng)差異和相互關(guān)系。粒子濾波采用一系列“粒子”，它們各自對應(yīng)于包含狀態(tài)向量及其對應(yīng)權(quán)重的組合。被追蹤對象的整體行為可以通過統(tǒng)計粒子的集合來得到。單一對象可以通過使用幾十個、幾百個甚至幾千個粒子來追蹤。粒子濾波需要細(xì)胞具有特定形狀以便保持對它的追蹤，但細(xì)胞并非具有確定形狀的物體，因此有時難以追蹤細(xì)胞。
因此，為了研究細(xì)胞功能，需要有一種自動追蹤細(xì)胞從而能生成描繪細(xì)胞運(yùn)動的真實(shí)圖像的結(jié)果的系統(tǒng)和方法。
發(fā)明概述 本發(fā)明基于上述技術(shù)背景完成，其目標(biāo)是提供一種追蹤細(xì)胞運(yùn)動的系統(tǒng)和方法。
在本發(fā)明的一種優(yōu)選實(shí)施方案中，給出了追蹤細(xì)胞的方法。該方法包括提供至少一個細(xì)胞在前一幀中帶有位置的圖像；根據(jù)前一幀中該至少一個細(xì)胞的位置來確定一段時間后該至少一個細(xì)胞在當(dāng)前幀中的新位置；測量該至少一個細(xì)胞在當(dāng)前幀中的新位置；以及根據(jù)測定的該至少一個細(xì)胞在當(dāng)前幀中的新位置來更新該至少一個細(xì)胞在當(dāng)前幀中的位置。
在本發(fā)明的另一優(yōu)選實(shí)施方案中，給出了用于追蹤細(xì)胞的方法。該方法包括接收至少一個細(xì)胞在前一幀中的圖像；提供與該至少一個細(xì)胞在前一幀中的圖像相關(guān)的多個粒子，其中，多個粒子追蹤來自前一幀的該至少一個細(xì)胞向當(dāng)前幀中的至少一個細(xì)胞的運(yùn)動；以及通過多個粒子來確定與帶有(with)多個粒子的前一幀中該至少一個細(xì)胞相關(guān)聯(lián)的帶有多個粒子的當(dāng)前幀中該至少一個細(xì)胞的大致位置。
在另外一種本發(fā)明的優(yōu)選實(shí)施方案中，給出了用于追蹤細(xì)胞的系統(tǒng)。成像系統(tǒng)被設(shè)置用于接收至少一個細(xì)胞在前一幀中的圖像，其中成像系統(tǒng)連接到圖像接收設(shè)備。圖像接收設(shè)備被設(shè)置用于接收至少一個細(xì)胞在前一幀中的圖像；提供在前一幀中與該至少一個細(xì)胞相關(guān)的多個粒子，其中多個粒子追蹤來自當(dāng)前幀的至少一個細(xì)胞到前一幀中的該至少一個細(xì)胞的運(yùn)動；以及確定與帶有多個粒子的前一幀中該至少一個細(xì)胞相關(guān)聯(lián)的帶有多個粒子的當(dāng)前幀中該至少一個細(xì)胞的大致位置。
附圖簡述 結(jié)合附圖閱讀如下描述，將使本發(fā)明的這些以及其他優(yōu)點(diǎn)更加明確，其中

圖1是依據(jù)本發(fā)明的實(shí)施方案的用于追蹤細(xì)胞運(yùn)動的系統(tǒng)的結(jié)構(gòu)圖； 圖2是依據(jù)本發(fā)明的圖1的圖像接收設(shè)備的原理圖； 圖3的流程圖描繪的是圖1的細(xì)胞追蹤系統(tǒng)如何根據(jù)本發(fā)明使用； 圖4顯示的是根據(jù)本發(fā)明生成眾多細(xì)胞的視場(Field of View)的計算機(jī)屏幕截圖； 圖5顯示的是根據(jù)本發(fā)明從眾多細(xì)胞中生成單一細(xì)胞的視場的計算機(jī)屏幕截圖，它顯示這個細(xì)胞的特征； 圖6A顯示的是根據(jù)本發(fā)明得到的與圖4中眾多細(xì)胞的視場相關(guān)的特征的計算機(jī)屏幕截圖； 圖6B顯示的是根據(jù)本發(fā)明挑選出的細(xì)胞的特征的計算機(jī)屏幕截圖； 圖6C顯示的是根據(jù)本發(fā)明正在選擇的輸入特征的計算機(jī)屏幕截圖； 圖7描繪的是根據(jù)本發(fā)明的貼近度(Proximity)算法的流程圖； 圖8描繪的是根據(jù)本發(fā)明的粒子濾波算法的流程圖； 圖9是根據(jù)本發(fā)明生成雙曲柯西密度的方法的圖形描繪； 圖10是描述根據(jù)本發(fā)明使用相對[逆向]距離來確定細(xì)胞融合或細(xì)胞死亡的表格的圖形描繪；以及 圖11是描述根據(jù)本發(fā)明使用相對[逆向]距離來確定細(xì)胞分裂或細(xì)胞生成的表格的圖形描繪。
發(fā)明詳述 本發(fā)明的這一優(yōu)選實(shí)施方案結(jié)合圖形描述，其中同樣的(like)組成部分以相同的數(shù)字表示。優(yōu)選實(shí)施方案的描述具有例示性，不意味著限定本發(fā)明的范圍。
圖1描繪的是傳統(tǒng)熒光顯微系統(tǒng)的結(jié)構(gòu)圖，其中包括了用于追蹤細(xì)胞運(yùn)動的系統(tǒng)。該自動顯微系統(tǒng)100包括可選的常規(guī)計算機(jī)103、光源105、光學(xué)檢測器107、分光(dichroic)鏡109、物鏡111、載物臺113、樣本115以及樣本架119。
物鏡111下方是樣本架119，可以為典型的微量滴定板(micro titerplate)、顯微鏡載物片、芯片(chip)、玻璃片、Petri氏培養(yǎng)皿、塑料或硅或其他任何類型的用于在載物臺113上支持樣本115的典型的支持物。本發(fā)明中也可以使用兩個或更多個樣本架119和/或兩個或多個載物臺113。
在另一實(shí)施方案中，顯微系統(tǒng)100可以通過通信連接117以電或無線的方式連接到常規(guī)計算機(jī)103。通信連接117可以是能在自動顯微系統(tǒng)101與計算機(jī)103之間傳輸數(shù)據(jù)的任意網(wǎng)絡(luò)，比如局域網(wǎng)絡(luò)(LAN)、無線局域網(wǎng)絡(luò)、無線廣域網(wǎng)絡(luò)(WAN)、通用服務(wù)總線(USB)、以太網(wǎng)連接、光纖以及其他。顯微鏡也可以有多個物鏡111。
顯微系統(tǒng)100可以為影像傳輸設(shè)備，能抓取放在載物臺113上的樣本115或任意類型的對象的影像的成像設(shè)備或成像系統(tǒng)，這是通過使用光學(xué)檢測器107或典型的顯微目鏡來完成的。此外，顯微系統(tǒng)100也可以是例如由位于New Jersey的Piscataway的GE Healthcare生產(chǎn)的INCELLTM Analyzer 1000或3000。樣本115可以是活的生物組織、生物細(xì)胞、非生物樣本以及其他。顯微系統(tǒng)100可以是典型的共焦顯微鏡、熒光顯微鏡、落射熒光顯微鏡、相差顯微鏡、微分干涉差顯微鏡，或任意為本領(lǐng)域中具有一般技能的人員所知的顯微鏡。在另一實(shí)施方案中，顯微系統(tǒng)100可以是典型的高通量和高含量的亞細(xì)胞成像分析設(shè)備，它能快速地檢測、分析并提供生物體或其他的圖像。顯微系統(tǒng)100也可以是自動化細(xì)胞和亞細(xì)胞成像系統(tǒng)。
光源105可以是燈、激光、多束激光、發(fā)光二極管(LED)、多個發(fā)光二極管或任意為本領(lǐng)域中的一般技術(shù)人員所知的光源，它生成光線106，此光線通過主光路106到達(dá)載物臺113以照亮樣本115。對于激光掃描顯微鏡，掃描鏡109位于樣本115上方；該掃描鏡109將來自光源105的光在顯微鏡的視場中掃描，以獲取光學(xué)檢測器107上的樣本的圖像。對于熒光顯微鏡，掃描鏡109也可以是分光鏡109，其向樣本反射激發(fā)光，將來自樣本的熒光導(dǎo)入光學(xué)檢測器107。
光學(xué)檢測器107接收來自樣本的反射光或熒光，它可以是光倍增管、電荷耦合器件(CCD)、互補(bǔ)金屬氧化物半導(dǎo)體(CMOS)圖像檢測器，或?yàn)楸绢I(lǐng)域中一般技術(shù)人員所使用的任意光學(xué)檢測器。光學(xué)檢測器107通過通訊連接117以電或無線的方式連接到計算機(jī)103。在另一實(shí)施方案中，光學(xué)檢測器107可以替換成典型顯微鏡目鏡或目鏡，用來與物鏡111一起進(jìn)一步放大中間圖像以觀察樣本的細(xì)節(jié)。
計算機(jī)103可以為圖像接收設(shè)備103或圖像檢測設(shè)備103。在本發(fā)明的另一實(shí)施方案中，圖像接收設(shè)備103可以位于圖像傳輸設(shè)備100內(nèi)。圖像接收設(shè)備103充當(dāng)?shù)湫偷挠嬎銠C(jī)，它能從光學(xué)檢測器107接收樣本115的圖像，接下來，圖像接收設(shè)備103能使用標(biāo)準(zhǔn)圖像處理軟件程序、算法或公式來顯示、保存或處理圖像。計算機(jī)103也可以是個人數(shù)字助理(PDA)、膝上型電腦、筆記本電腦、移動電話、基于硬盤的設(shè)備或其他任何能通過通訊連接117接收、發(fā)送和存儲信息的設(shè)備。盡管本發(fā)明中使用了一臺計算機(jī)，但也可使用多臺計算機(jī)來替代計算機(jī)103。
圖2描繪的是圖1中細(xì)胞追蹤系統(tǒng)的圖像接收設(shè)備的原理圖。圖像或成像接收設(shè)備103包括與常規(guī)計算機(jī)相關(guān)的典型元件。圖像接收設(shè)備103也可以存儲于圖像傳輸系統(tǒng)100上。圖像接收設(shè)備103包括處理器103a、輸入/輸出(I/O)控制器103b、大容量存儲器103c、存儲器(memory)103d、視頻適配器103e、連接接口103f和系統(tǒng)總線103g，它們通過電或無線的方式可操作地將前面提到的系統(tǒng)元件連接到處理器103a。系統(tǒng)總線103g也通過電或無線的方式可操作地將典型的計算機(jī)系統(tǒng)元件連接到處理器103a。處理器103a也可為處理單元、中央處理單元(CPU)、多個處理單元或并行處理單元。系統(tǒng)總線103g可以是與常規(guī)計算機(jī)相關(guān)的典型的總線。存儲器103d包括只讀存儲器(ROM)和隨機(jī)存儲器(RAM)。ROM包括典型的輸入/輸出系統(tǒng)，其包括基本例程，在啟動過程中協(xié)助計算機(jī)的元件之間傳輸信息。
輸入/輸出控制器103b通過總線103g連接到處理器103a，其中輸入/輸出控制器103b作為接口，能允許用戶通過細(xì)胞追蹤圖形用戶界面(GUI)和如鍵盤和定位設(shè)備的輸入設(shè)備104將命令和信息輸入到計算機(jī)。使用的典型定位設(shè)備有操縱桿、鼠標(biāo)、游戲搖桿或其他。顯示器201通過視頻適配器103e以電或無線的方式連接到系統(tǒng)總線103g。顯示器201也可以是典型的計算機(jī)顯示器、等離子電視、液晶顯示器(LCD)或任何能顯示計算機(jī)103生成的字符和/或靜態(tài)圖像的設(shè)備。與計算機(jī)103的視頻適配器103e相鄰的是連接接口103f。連接接口103f可以是網(wǎng)絡(luò)接口，它按照上述方式通過通訊連接117連接到光學(xué)檢測器107。圖像接收設(shè)備103也可以包括網(wǎng)絡(luò)適配器或調(diào)制解調(diào)器，它們能將圖像接收設(shè)備103連接到其他計算機(jī)。
存儲器103d上方是大容量存儲器103c，它包括1.用于對硬盤執(zhí)行讀取和寫入的硬盤驅(qū)動器組件(未顯示)和硬盤驅(qū)動器接口(未顯示)，2.磁盤驅(qū)動器(未顯示)和硬盤驅(qū)動器接口(未顯示)以及3.用于從諸如CD-ROM的移取式光盤或其他光學(xué)介質(zhì)讀取或?qū)懭氲墓獗P驅(qū)動器(未顯示)和光盤驅(qū)動器接口(未顯示)。上述驅(qū)動器及其相關(guān)的計算機(jī)可讀取介質(zhì)為計算機(jī)可讀的操作指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊和其他用于計算機(jī)103的數(shù)據(jù)提供非易失性存儲。上述驅(qū)動器也包括本發(fā)明的追蹤細(xì)胞移動的算法、軟件或公式的技術(shù)效果，這些將于圖3、7和8的流程圖中描述。
軟件具備細(xì)胞追蹤圖形用戶界面(GUI)。細(xì)胞追蹤圖形用戶界面是專門編寫的GUI，它具備和典型GUI相同的一些功能，典型的GUI是被設(shè)計用于使計算機(jī)用戶容易地和計算機(jī)103交流的軟件程序。細(xì)胞追蹤GUI包括一張屏幕截圖，它展示1.圖6A、6B和6C中討論的細(xì)胞的特點(diǎn)(“測度(measures)”)。
圖3描繪的是細(xì)胞追蹤軟件應(yīng)用程序如何追蹤細(xì)胞運(yùn)動的流程圖。該描述基于單個細(xì)胞，但此描述也可以用于顯微系統(tǒng)100追蹤的多個細(xì)胞。用戶將多個細(xì)胞插入顯微系統(tǒng)100，并通過成像接收系統(tǒng)103查看。
在塊(block)301中，用戶使用定位設(shè)備104來初始化存儲于處理器103a上的協(xié)議中的追蹤細(xì)胞的貼近度或粒子濾波算法，用戶從而操作細(xì)胞追蹤GUI，使用圖6B中的屏幕截圖上的指示器來核對(check off)追蹤的細(xì)胞運(yùn)動，以便選擇貼近度或粒子濾波算法。接下來，在塊303中，顯微系統(tǒng)100處的用戶觀察多個細(xì)胞的視場(FOV)，稱為“場景(Scene)”，在特定的狀態(tài)或幀中也被稱為圖像接收設(shè)備103處的“前一幀”，如圖4的計算機(jī)屏幕截圖所示。可選地，細(xì)胞追蹤圖形用戶界面可以在計算機(jī)屏幕截圖中顯示細(xì)胞的特征。參見圖6A，計算機(jī)屏幕截圖顯示了細(xì)胞的特征。對顯微系統(tǒng)100上的每一個細(xì)胞，基于由Piscataway，NJ的GE Healthcare生產(chǎn)的INCELLTM Analysis Workstation或INCELLTM Developer中使用的標(biāo)準(zhǔn)圖像分析軟件，每個細(xì)胞的特征都是已知的。
細(xì)胞的特征包括細(xì)胞核的密度(intensity)，或細(xì)胞核或細(xì)胞的核區(qū)的致密性等。這些特征意味著核的中心是必要的。大量的細(xì)胞特征可以被顯示，這些均為本領(lǐng)域的一般技術(shù)人員所熟悉，在此不一一列舉。每個特征被賦予權(quán)重(weight)，如圖6C的計算機(jī)屏幕截圖中所示，該權(quán)重描述每個特征對追蹤過程的影響程度，它以一個大于0且小于等于1的數(shù)表示。
在此，用戶也可以為與細(xì)胞相關(guān)的所有特征賦予特定的權(quán)重。例如，對于Nuc cg X的特征，用戶可以指定1.00的權(quán)重，而對于Nuc cg Y，用戶可以指定1.00的權(quán)重。Nuc cg X和Nuc cg Y中，X和Y分別是細(xì)胞核質(zhì)心的坐標(biāo)。細(xì)胞核質(zhì)心相當(dāng)于細(xì)胞核的“重量中心”。細(xì)胞核細(xì)胞用位于如下位置的M個像素表示xi1＜＝i＜＝M，yi1＜＝i＜＝M，Nuc cg＝-x1/M M∑i＝1xi，而Nucg＝-y＝1/M M∑i＝1yi。用戶也可以選擇在塊315處當(dāng)細(xì)胞追蹤過程完成時他想收到的輸出數(shù)據(jù)，例如圖6C的計算機(jī)屏幕截圖上所示的標(biāo)記(Label)、追蹤ID(Track ID)、事件(Event)、置信度(Confidence)和距離(Distance)。標(biāo)記是指定給細(xì)胞的唯一標(biāo)記，它不是細(xì)胞在給定時間點(diǎn)的表示，而是代表了真實(shí)的物理實(shí)體。追蹤ID是表示父子關(guān)系的數(shù)字，一般來說，一個細(xì)胞的所有圖像結(jié)果(imaged progeny)都共享其追蹤ID。事件與給定時間點(diǎn)的給定細(xì)胞相關(guān)，例如無、新生、分裂或碰撞。置信度是由算法生成的關(guān)于將當(dāng)前幀中的當(dāng)前時間點(diǎn)的指定細(xì)胞指定給前一個時間點(diǎn)中它的來源(parent)是否正確的置信度。距離是細(xì)胞在從前一幀到當(dāng)前幀中移動的距離。
細(xì)胞追蹤軟件程序包括標(biāo)準(zhǔn)分割(segmentation)和量化程序，用于分割和量化多個細(xì)胞以便檢測和分析來自多個細(xì)胞的圖像中的至少一個細(xì)胞，并計算該至少一個細(xì)胞的特征，即特征向量(feature vectors)、細(xì)胞位置、面積、密度、比例、分類等?！氨壤笨赡苁呛愣ㄌ卣鞯囊粋€例子——即使對象改變了尺寸但不改變形狀，該數(shù)值依然保持不變。分類結(jié)果是更多的特征。例如，在其生命周期中，細(xì)胞會經(jīng)過多個階段，這些階段可以用分類器來確定。根據(jù)生命周期中所處階段，我們可以進(jìn)一步使用不同組的特征。例如，在細(xì)胞分裂前，細(xì)胞的尺寸和亮度均會增長并會伸長。這三個特征，尤其是伸長或“形狀(form)系數(shù)”，可以幫助辨別下一幀中的同一個細(xì)胞。用戶能使用定位設(shè)備104(圖2)來操作計算機(jī)103的細(xì)胞追蹤圖形用戶界面(GUI)，以從多個細(xì)胞中選擇至少一個細(xì)胞。
對于圖5，在多個細(xì)胞經(jīng)歷量化和分割流程后，用戶選擇的在一段時間內(nèi)被追蹤的細(xì)胞將在計算機(jī)屏幕截圖中顯示，其中細(xì)胞會放大，細(xì)胞追蹤GUI顯示用于在時間點(diǎn)之間瀏覽的按鈕“<<”和“>>”以及在同一幀中的兄弟細(xì)胞之間瀏覽的按鈕“<”和“>”。細(xì)胞的計算機(jī)屏幕截圖也包括一個用于追蹤細(xì)胞的追蹤ID 99以及用于與其他細(xì)胞區(qū)分該細(xì)胞的細(xì)胞編號98，如圖4所示。
在塊305中，圖像接收系統(tǒng)103中的處理器103a確定正在查看的幀是第一幀還是圖像接收系統(tǒng)103的視場(FOV)中的前一幀。如果該第一幀不是第一幀或前一幀，則在塊307中進(jìn)行幀匹配流程。
在塊307中，用戶能使用圖像接收設(shè)備103操作細(xì)胞追蹤GUI，用于預(yù)測在一段時間內(nèi)，在該至少一個細(xì)胞從當(dāng)前或現(xiàn)在的幀中被觀察到的位置到塊301中的前一幀中的細(xì)胞的變化。如圖6C中所示，使用塊701中的貼近度算法或塊801中的粒子濾波算法，用戶能追蹤當(dāng)前幀中的多個細(xì)胞中的至少一個細(xì)胞到前一幀中的多個細(xì)胞中的該至少一個細(xì)胞的運(yùn)動。貼近度算法描述的是與前一幀中的至少一個細(xì)胞的位置相等的當(dāng)前幀中多個細(xì)胞中的至少一個細(xì)胞(最近的細(xì)胞)的位置。粒子濾波算法描述的是當(dāng)前幀中多個細(xì)胞中的至少一個細(xì)胞的位置，該位置與多個細(xì)胞中的該至少一個細(xì)胞的前一個位置或前一幀+速度×?xí)r間+1/2加速度×?xí)r間的平方+隨機(jī)變化相等。該粒子濾波使用動態(tài)模型。貼近度和粒子濾波算法的目標(biāo)是識別聯(lián)系當(dāng)前(當(dāng)前幀)和過去(之前的任意已處理的幀；通常是前一幀)的事件。
圖7描述的是如何使用貼近度算法預(yù)測細(xì)胞在從前一位置向下一位置移動時將到達(dá)何處的流程圖。在塊701中，細(xì)胞追蹤軟件生成了以字母T代表的新的幀或當(dāng)前幀，其中包含了與用字母P代表的前一幀相同的多個細(xì)胞，幀的時長例如是106ms到5×109ms，時間間隔104ms。這樣，對于每個前一幀中被追蹤的對象，當(dāng)前幀中的與前一幀中的對象或細(xì)胞足夠近的對象或細(xì)胞被當(dāng)作“候選匹配”。當(dāng)前幀T的特征向量(位置)以字母t表示，而前一幀P的特征向量(位置)以字母p表示。候選匹配是與被考慮為對象的對象最近的對象，或被考慮的對象與其最近匹配之間距離不遠(yuǎn)于q的匹配。符號pi的一組候選匹配表示為Mi。當(dāng)前幀中與前一幀中的最近目標(biāo)距離也稱兩個向量間的標(biāo)準(zhǔn)歐幾里德距離，其中每個坐標(biāo)按上所述進(jìn)行加權(quán)。為了獲得當(dāng)前幀和前一幀間的距離，使用了如下公式 1.mi＝m(pi)＝mint∈T(||wpi，wt||)，pi∈P 2.Mp≡{p∈P||wti，wp||≤qmi} 3.C≡{(p，t，d)，p∈P，t∈Mp，d＝||wt，wp||} 第一個公式中，mi表示特征向量pi和來自T(下一幀，用加權(quán)距離衡量，它與pi最近)的特征向量之間的距離。第二個公式表示的是包含T中每個特征向量t的P中每個向量p的候選匹配集合，這樣，t和T之間的加權(quán)距離就小于等于q乘以最小距離(如公式1中定義的)。第三個公式形式上表示P和T幀之間的映射C，它表示前一幀和當(dāng)前幀之間的多個細(xì)胞的所有匹配的信息，每組三個數(shù)據(jù)，包括P的特征向量p，T的特征向量t(提取自p的候選匹配集合Mp)，以及p和t的加權(quán)距離。C是包含以前幀中的向量p、被認(rèn)為是P的候選匹配的t以及對應(yīng)距離d的所有元組的集合。兩條豎杠的括號并不表示數(shù)的絕對值。豎杠表示的是向量的歐幾里德范數(shù)(norm)，即點(diǎn)wp和wt之間的向量長成空間(span)。
塊703中，細(xì)胞追蹤軟件中，字母D被定義為取自C的元素的加權(quán)距離的全域(元組中的第三個元素)。C的所有符合距離d(m)＞med(D)+10hout·mad(D)的元素m均作為異常從集合中移除。
常數(shù)hout由用戶提供。符號med表示全域的中位數(shù)。符號mad表示絕對偏差的中位數(shù)。
同樣，在塊703中，如上所述，事件被識別。例如，根據(jù)以來自P和T的與其各自的特征向量p和t相關(guān)的特定元素開始或結(jié)束的一系列值，事件可以是碰撞或分裂。在塊705中，根據(jù)其特征向量p和t，不與P或T直接關(guān)聯(lián)的對象為孤立(orphaned)對象或分別產(chǎn)生分離或到達(dá)事件的細(xì)胞。
同樣，在塊705中，為每個匹配記錄分配了置信度指標(biāo)。置信度的定義是任意的(arbitrary)，不和匹配過程直接相關(guān)，而是與輸入條件相關(guān)。根據(jù)以下公式，分配了多種事件 4.無事件和碰撞事件1-d/sp，其中，sp是p和與T第二近的匹配之間的距離。
5.分裂bt/sp，其中bt是T和P中與之最近的向量之間的距離。
6.到達(dá)1-mq∈P/bt 7.離開1-mq∈P/mp 對于無事件和碰撞事件的公式，sp是p和與T第二近的匹配之間的距離。在分裂公式中，bt是t和P中與之最近的向量之間的距離。對于到達(dá)和離開事件的公式，全域D的平均值除以bt或mp分別在數(shù)值1中扣除。在此，當(dāng)前幀中的對象或該至少一個細(xì)胞即將通過塊309進(jìn)行標(biāo)記。
在塊309中，來自當(dāng)前幀或T的該至少一個細(xì)胞基于前述過程中列舉的事件被標(biāo)記。這一標(biāo)記步驟將指派標(biāo)記或名字，它們將在對象的生命期保持不變，并用于標(biāo)明物理對象的圖像。標(biāo)記將使程序能以能讓用戶掌握這些聯(lián)系的方式輸出數(shù)據(jù)。這些標(biāo)簽是以一個場景的第一幀中從1開始的序列的自然數(shù)，其中每個場景分別標(biāo)記。同樣，這一標(biāo)記過程也識別了來自同一細(xì)胞或前一幀中的細(xì)胞后代的世系樹。與對象標(biāo)簽類似的，世系樹也以自然數(shù)標(biāo)記。標(biāo)簽根據(jù)發(fā)生在當(dāng)前幀和其前身之間的事件被分配給子對象，其規(guī)則如下表中所示
接下來，在塊315中，從前一幀到當(dāng)前幀的輸出數(shù)據(jù)在一段時間內(nèi)顯示。該輸出數(shù)據(jù)如下表中所示。此表格用表格的形式描述了當(dāng)前幀和前一幀或父子關(guān)系。該表格中的信息也可包括事件標(biāo)簽、細(xì)胞ID和父子關(guān)系樹ID(parentage tree ID)。

如果被考慮的幀是場景中的第一幀，需要使用塊311中的追蹤算法對數(shù)據(jù)結(jié)構(gòu)進(jìn)行初始化。
接下來，在塊313中有對被追蹤進(jìn)入上述多種事件的對象的標(biāo)記，這些事件包括碰撞、到達(dá)、離開等。在塊315中，如上所述，當(dāng)前幀和前一幀在一段時間內(nèi)的輸出數(shù)據(jù)被顯示。在塊317，圖像接收設(shè)備103確定圖像接收設(shè)備103是否取得了場景的最后一幀。必要地，用戶告知圖像接收設(shè)備103或查看圖像接收設(shè)備103上是否有用于檢查若干個當(dāng)前幀的數(shù)量在1到100幀，優(yōu)選地，60到80幀的范圍內(nèi)。例如，100,000-1,000,000ms時間段內(nèi)的100個當(dāng)前幀，用于獲取對象或視場內(nèi)多個細(xì)胞中的細(xì)胞如何在時間段內(nèi)運(yùn)動的精確描述。如果確定該場景的最后一幀并未獲得，流程回到塊303。如果確定獲得了場景的最后一幀，且輸出數(shù)據(jù)也已獲得，流程則進(jìn)入塊319。在塊319，當(dāng)前幀和前一幀之間的中間數(shù)據(jù)將被刪除，此流程結(jié)束。
本發(fā)明中使用的粒子濾波算法包括兩個獨(dú)立的層，一個內(nèi)層和一個外層。內(nèi)層的每個組件可以被視為職責(zé)是追蹤單個目標(biāo)或細(xì)胞的次級追蹤器。外層可以被視為職責(zé)是追蹤所有目標(biāo)或細(xì)胞的追蹤器。內(nèi)層包括一個“粒子”云(cloud)，它像一個蜂群一樣，追尋一個簡單的目標(biāo)，例如一個對象或者一個細(xì)胞。外層包括一組云，其中的每一個均試圖追尋一個目標(biāo)。內(nèi)層和外層均有通常的預(yù)測、觀察/測量和更新步驟。外層有通過對其云構(gòu)成中的每一個進(jìn)行指派預(yù)測來預(yù)測每個云的行蹤的預(yù)測階段。換句話說，外層自己不進(jìn)行預(yù)測，而內(nèi)層自己做預(yù)測。
外層也有一個包括兩個步驟的測量階段。首先，對每個目標(biāo)的每個云，云到每個目標(biāo)的距離被計算出來。外層測量階段假定了兩點(diǎn)。首先，它假定計算機(jī)103知道如何測定每個云和每個目標(biāo)之間的“距離”，這將在后面關(guān)于交叉熵(cross entropy)的討論中闡明。第二點(diǎn)是計算機(jī)103將知道使用這些距離做什么，例如確定事件、無事件、融合、分裂、細(xì)胞新生和細(xì)胞死亡。在測量階段的末尾，計算機(jī)103應(yīng)該有與對象或細(xì)胞相等數(shù)量的粒子。直至這一末尾，計算機(jī)103需要在以下之間確定和識別1.細(xì)胞分裂、2.細(xì)胞融合、3.細(xì)胞消失和4.細(xì)胞新生。關(guān)于對象和云之間的距離表的對象分析如圖10和11中所示。
外層測量階段的下一步包括計算機(jī)103構(gòu)建一個使用步驟1中計算出的距離的“責(zé)任矩陣”(Responsibility Matrix，RM)。接著，計算機(jī)103針對細(xì)胞的分裂、融合、碰撞等分析該RM。接著，計算機(jī)103確定與每個靶標(biāo)的一組粒子云相等的輸出。
外層更新階段指派每個粒子云更新其自身狀態(tài)。外層測量階段是相當(dāng)復(fù)雜的，并包括非常多的新的方面。外層操作圖像中的全部多個對象，其中對象以獨(dú)立的分割算法定義，該算法諸如由位于Piscataway，NJ的GE Healthcare生產(chǎn)的INCELLTM 1000Developer Toolbox所提供的。
與外層類似，內(nèi)層是一個典型的貝葉斯(Bayersian)追蹤濾波器，它包含了獨(dú)立的預(yù)測、觀察和更新階段。粒子濾波器的內(nèi)層包括用于追蹤簡單對象的粒子云。內(nèi)層的預(yù)測階段為 預(yù)測 xt←p(xt|xt-1)理論 漂移x′(t)＝x(t-1)+vx(t-1) y′(t)＝y(tǒng)(t-1)+vy(t-1)實(shí)際 擴(kuò)散x(t)＝x’(t)+ex(t) y(t)＝y(tǒng)’(t)+ey(t) 上述例子顯示的是一個使用了零加速度的簡單模型?？偟膩碚f，我們可以使用計算x和y的新的或最終位置模型，該模型考慮到三種不同的動態(tài)模型1.最終位置＝初始位置+速度×?xí)r間+噪聲；2.最終位置＝初始位置+噪聲；以及3.最終位置或3.初始位置+速度×?xí)r間+.5×加速度×?xí)r間×?xí)r間+噪聲。
預(yù)測階段的理論表明，計算機(jī)103應(yīng)該從密度p(xt|xt-1)直接取得樣本，脫氧核但這首先是不可能的。在實(shí)際中，該密度對計算機(jī)103來說無法得到。為了避免與使用卡爾曼濾波器相關(guān)的缺陷，謹(jǐn)慎地選擇了一種不同的密度，其本身不基于高斯統(tǒng)計。所選的密度是一個長尾(long tailed density)密度。概率密度函數(shù)的使用影響到細(xì)胞追蹤器的穩(wěn)健性。穩(wěn)健統(tǒng)計領(lǐng)域背后的原理是將一個或多個異常值能產(chǎn)生的影響最小化。其中的一個方法是將估計基于厚尾密度(thick tailed densities)，其例子之一是圖9中的雙曲柯西密度。請注意在我們已經(jīng)追蹤大量細(xì)胞之后，實(shí)施理論上的采樣成為可能，該采樣由粒子濾波器的分別稱為xt←p(xt|xt-1)的預(yù)測階段控制，如M.Isard和A.Blake的Isard和Blake在此文中所述“Condensation--conditional density propagation forvisual tracking”，International Journal of Computer Vision 29(1)，pp.5-28，1998，http://citeseer.ist.psu.edu/isard98condensation.html 雙曲柯西密度的對數(shù)概率圖顯示出與高斯對數(shù)概率不同的表現(xiàn)。對于大距離，其表現(xiàn)是線性而非拋物線型的。對于小距離，這兩個測量幾乎是相同的，但對于大距離，雙曲柯西更寬容。這是穩(wěn)健估計的要素，因?yàn)楫惓Ｖ档臋?quán)重更小。概率分布函數(shù)中重的尾部意味著異常值將被給予更小的權(quán)重。這一密度對小偏差使用L2范數(shù)，對大偏差則使用L1范數(shù)。
高斯統(tǒng)計不穩(wěn)健，這是因?yàn)橄嚓P(guān)距離測量會將異常值平方。凈結(jié)果是一個非線性的追蹤器，對于小距離使用高斯，對大樣本則準(zhǔn)確地使用非高斯。這應(yīng)當(dāng)能提高對異常值的穩(wěn)健性。特征之間的距離通過我們使用更穩(wěn)定的“距離”的量度來隱含地處理了。
H-Cauchy小x＝加平方 大x＝加絕對值 重要性抽樣是使用重尾(heavy tailed)密度的另一個好理由。關(guān)于卡爾曼濾波器和粒子濾波器的討論一般因被大量多維積分的存在導(dǎo)致過于復(fù)雜。粒子濾波可被認(rèn)為是數(shù)值蒙特卡洛積分的一種使用重要性抽樣方法的形式。在重要性抽樣中，一個好的有效建議密度能盡可能地接近真實(shí)統(tǒng)計。然而，為了數(shù)值穩(wěn)定性起見，重尾的建議密度是可取的。
綜上所述，重尾能達(dá)到三個目標(biāo) 1.對異常值的穩(wěn)健性(即突發(fā)的大的變化) 2.在查找和探尋新狀態(tài)方面更積極 3.更穩(wěn)定的數(shù)值積分 接下來，粒子濾波器的內(nèi)層包括一個測量組件。理論是等于p(zt|xt-1)的權(quán)重。這一實(shí)踐與密度的概率密度函數(shù)在封閉形式下存在的理論相同。在這一階段，每個粒子獲得一個取決于用概率密度函數(shù)衡量的其和目標(biāo)的接近度的權(quán)重。
最后，內(nèi)層包括一個更新組件，在此樣本會根據(jù)其各自的權(quán)重重新采樣。生成好的預(yù)測的例子被進(jìn)行多于一次的采樣。生成不好的預(yù)測的例子將獲得小的權(quán)重并可能根本不被采樣。更新步驟對粒子重新采樣和替換。如下所示的Matlab代碼所示，這是相當(dāng)容易實(shí)施的 function sample＝sampleUnif(nsamp，wts)csum＝cumsum(wts)；rng＝csum(length(csum))；sample＝zeros(nsamp，1)；for j＝l:nsamp choice＝rng*rand(1)； l＝find(csum＞＝choice)； sample(j)＝l(1)；end 在產(chǎn)品中使用的相應(yīng)的C語言代碼更好，這是因?yàn)榛贑DF是單調(diào)增加且預(yù)先排序的這一事實(shí)，代碼中使用了二進(jìn)制搜索。
重新采樣的實(shí)施例 輸入(9，0.167)(16，0.333)(7，0.000)(20，0.000)(18，0.500)(23，0.000) 輸出(9，0.167)(16，0.167)(16，0.167)(18，0.167)(18，0.167)(18，0.167) 第一個數(shù)是被采樣的，第二個數(shù)是對應(yīng)的權(quán)重，在輸出中，9出現(xiàn)一次，16出現(xiàn)兩次，18出現(xiàn)三次。20、7、23沒有出現(xiàn)，因?yàn)樗鼈兊臋?quán)重為0。請注意權(quán)重被重新正則化以使重新采樣后的總和保持為1。在這一例中，值9、16、7、20、18、23為標(biāo)量，但沒有理由表明它們不能是向量。一般來說，它們恰恰就是向量。
在圖8的塊801中，計算機(jī)初始化粒子濾波算法，為每個目標(biāo)分配其自己的追蹤器。追蹤器的起始狀態(tài)是基于與細(xì)胞圖像的初始位置和狀態(tài)相關(guān)聯(lián)的細(xì)胞的可觀察屬性，例如細(xì)胞的位置、圖像密度、細(xì)胞面積、形狀系數(shù)，或一般而言，其他可測量的特征向量等。在塊803，基于前述的可觀測屬性，通過推斷比如速度等隱藏屬性的數(shù)值，以其他貝葉斯學(xué)習(xí)算法相同的方式，粒子濾波算法能預(yù)測細(xì)胞圖像的位置。
細(xì)胞追蹤軟件程序包括典型的蒙特卡洛粒子濾波算法，它使用戶能追蹤前一幀中在其初始狀態(tài)或位置細(xì)胞圖像到當(dāng)前幀中的新的狀態(tài)或位置，其中蒙特卡洛程序的多個粒子像蜂群一樣在一段決定于用戶的時間內(nèi)從實(shí)質(zhì)上跟隨原細(xì)胞從其起始位置到新的位置。粒子濾波器可以包括多達(dá)一百個或更多個“粒子”，它們形成粒子云，追尋被指定的細(xì)胞的新位置的目標(biāo)。
細(xì)胞追蹤軟件程序?qū)⒗珉p曲柯西密度等式的標(biāo)準(zhǔn)概率密度函數(shù)(probability density function，p.d.f.)用于在當(dāng)前或下一幀中的該至少一個細(xì)胞，以便從前一幀中的多個細(xì)胞中確定該至少一個細(xì)胞在當(dāng)前幀中的大概位置。塊803中，算法也估算該至少一個細(xì)胞在當(dāng)前幀中的位置。概率密度函數(shù)的使用影響了細(xì)胞追蹤器的穩(wěn)健性。穩(wěn)健統(tǒng)計背后的原則是將一個或多個異常值的影響最小化。達(dá)到這個目的的一個辦法是基于厚尾密度進(jìn)行估計，而雙曲柯西密度正是上述厚尾密度的一個例子。
接著，在塊805，在單個目標(biāo)被追蹤的粒子濾波算法內(nèi)層，基于特征向量、細(xì)胞密度、細(xì)胞方位等的細(xì)胞的新位置被查找，這是基于前一幀中細(xì)胞圖像初始位置到當(dāng)前幀中細(xì)胞圖像的新位置的距離或基于相對于特征空間內(nèi)細(xì)胞被觀察到的位置基于粒子的對數(shù)概率的一般范數(shù)(不只是2D空間，而是定義了特征的多維空間)。這一距離可以是典型的歐幾里德距離(L2范數(shù))或Metropolis距離(L1范數(shù))或特定的基于下述對數(shù)概率的一般距離，該距離能在塊807，即重采樣的更新階段提供每個重采樣需要的粒子的權(quán)重。
對于外層，即塊305的追蹤器管理系統(tǒng)，計算機(jī)103需要計算上述的取決于距離的一般測量的責(zé)任矩陣。本領(lǐng)域內(nèi)的技術(shù)人員眾所周知，似然函數(shù)的對數(shù)等效于距離。經(jīng)常討論的經(jīng)典例子是關(guān)于獨(dú)立相同分布數(shù)據(jù)的高斯似然函數(shù)。在這一特例中，等效距離量度是歐幾里德范數(shù)，而最小自乘的標(biāo)準(zhǔn)方法等效于將似然函數(shù)最大化(即距離等效于負(fù)的對數(shù)概率)。
我們將構(gòu)成云的粒子之間的總距離用負(fù)的對數(shù)概率總和表示 其中wijk是關(guān)于給定粒子在特征空間內(nèi)的每個細(xì)胞的位置的概率密度函數(shù)。(請注意，將對數(shù)概率求和等效于將概率相乘，這是計算總概率的恰當(dāng)方式，因?yàn)榱Ｗ釉诮y(tǒng)計學(xué)上是相互獨(dú)立的) 求和過程實(shí)際上是偽裝的蒙特卡洛積分。如果粒子云中的粒子取自密度p(x)，我們將得到 等式的右邊是交叉熵。
進(jìn)一步地，注意交叉熵可以被分解為 -∫p(x)log p(x)dx是自熵。熵通常被認(rèn)為是混亂的量度。在這里，它是密度p(x)的統(tǒng)一性的量度。粒子濾波器的重采樣步驟(即“更新”步驟)將粒子的權(quán)重重設(shè)為統(tǒng)一的數(shù)值，從而使每個粒子等效。


是相對熵(Kullback Leibler Divergence，KLD)。它通常被用作概率密度之間距離的量度。(嚴(yán)格地說，它并不是距離的真實(shí)量度，因?yàn)樗⒉粚ΨQ)。當(dāng)p(x)和w(x)相同時，KLD最小。將我們對“距離”的測量最小化將使KLD最小化。例如當(dāng)目標(biāo)位于在粒子云的正中時，將產(chǎn)生最小KLD(因此粒子群的分布是依照具有最小偏移的粒子的真實(shí)分布)。在此情況下，我們可以作出結(jié)論基于追蹤器的粒子云鎖定在目標(biāo)上。
在圖10中是五個云和六個目標(biāo)的選定列最大值交叉熵。云5對應(yīng)于目標(biāo)5和6。我們推斷可能曾有分裂。對圖10，選定行最大值，目標(biāo)6沒有匹配的云。對數(shù)據(jù)的另一個可能的解釋是云5正在追蹤目標(biāo)5，而目標(biāo)6是全新的。解決這一沖突的辦法是使用表格中的對數(shù)概率來計算分裂的概率并將它與被追蹤的單個細(xì)胞的概率進(jìn)行比較，例如通過使用貝葉斯決策理論或貝葉斯網(wǎng)絡(luò)理論來將這些概率轉(zhuǎn)化成對應(yīng)的圖形結(jié)構(gòu)。
在圖11中，對于選定行最大值(Maxima)，上方表格的上半部顯示已知目標(biāo)和存在的粒子云之間的交叉熵。表格的下半部顯示交叉熵的行最大值以及其發(fā)生位置。云6沒有匹配的目標(biāo)，這意味著云3和6原來追蹤的目標(biāo)可能已經(jīng)融合。
必須對云3和6對應(yīng)的兩個目標(biāo)是否融合，或作為替換，僅僅是云6追蹤的目標(biāo)消失了作出判斷。另一個(可能性小得多)解釋是云3追蹤的目標(biāo)消失了，而目標(biāo)5正在被云6追蹤?？梢酝ㄟ^對聯(lián)合計算表格中條目求和來獲得每種可能的概率，以便得到必需的邊際概率或條件概率。正確的推斷可以通過標(biāo)準(zhǔn)貝葉斯定理來正式地獲得。注意交叉熵是上方每個細(xì)胞的概率的對數(shù)。對表格的粗略檢查似乎可以表明正確的判斷是被云6追蹤的目標(biāo)消失了，因?yàn)樵?對目標(biāo)5，或?qū)θ我馄渌繕?biāo)的總體概率僅有很小的貢獻(xiàn)。
對于列最大值，表格顯示已知目標(biāo)和存在的粒子云之間的交叉熵。下半部分顯示交叉熵的列最大值以及其產(chǎn)生的位置。云6沒有匹配的目標(biāo)，這意味著該目標(biāo)很可能消失了。在塊809，將確定圖像的有限序列中的最后一幀是否已產(chǎn)生，如果是這樣則過程結(jié)束，否則過程回到塊803。
在一些情況下，細(xì)胞融合并非是因?yàn)樗鼈円呀?jīng)從物理上融合了，而是因?yàn)橛蒔iscateway，NJ的GE Healthcare生產(chǎn)的叫做INCELLDeveloper toolbox的軟件程序無法識別兩個細(xì)胞，因?yàn)樗鼈冸x得很近。這樣的情況下，可能需要選擇性地使用追蹤器或軟件來識別出事實(shí)上存在著兩個細(xì)胞，并將它們分離。
本發(fā)明提供一個允許用戶追蹤對象的運(yùn)動的自動化的系統(tǒng)和方法，例如追蹤多個細(xì)胞中的至少一個細(xì)胞在一段時間內(nèi)從一個點(diǎn)向另一點(diǎn)的移動，以便幫助用戶確定該至少一個細(xì)胞如何工作。用戶能追蹤該至少一個細(xì)胞的運(yùn)動并確定是否該至少一個細(xì)胞的結(jié)構(gòu)發(fā)生了變化，例如該至少一個細(xì)胞正在進(jìn)行細(xì)胞分裂，或兩個或多個細(xì)胞發(fā)生了融合。這一用戶能選擇性地追蹤該至少一個細(xì)胞來找到它在時間和距離上移動時的該至少一個細(xì)胞的大致位置。因此，本發(fā)明向用戶提供了一種通過追蹤細(xì)胞運(yùn)動來研究細(xì)胞功能的方法。
盡管上面使用特定的實(shí)施方案描述了本發(fā)明，對本領(lǐng)域的技術(shù)人員顯而易見地，在不脫離其如下面權(quán)利要求中所述的實(shí)質(zhì)和范圍的情況下，本發(fā)明可以有多種修改和變化。
權(quán)利要求
1.一種用于追蹤細(xì)胞的方法，其包括
提供前一幀中至少一個細(xì)胞的帶有位置的圖像；
基于該至少一個細(xì)胞在前一幀中的位置，確定該至少一個細(xì)胞在一段時間后在當(dāng)前幀中的新位置；
測量該至少一個細(xì)胞在當(dāng)前幀中的新位置；以及
基于測定的該至少一個細(xì)胞在當(dāng)前幀中的新位置，更新該至少一個細(xì)胞在當(dāng)前幀中的位置。
2.權(quán)利要求1的方法，其中測定的該至少一個細(xì)胞在當(dāng)前幀中的新位置為在當(dāng)前幀中的該至少一個細(xì)胞與在前一幀中的該至少一個細(xì)胞之間的距離。
3.權(quán)利要求2的方法，其中距離是歐幾里德距離。
4.權(quán)利聲明2的方法，其中距離是L2范數(shù)。
5.權(quán)利要求2的方法，其中距離是L1范數(shù)。
6.權(quán)利要求1的方法，其中當(dāng)前幀中的該至少一個細(xì)胞是一個備選匹配。
7.權(quán)利要求1的方法，其還包括
提供用于確定該至少一個細(xì)胞在當(dāng)前幀中的新位置的貼近度算法。
8.用于追蹤細(xì)胞的方法，其包括
接收在前一幀中至少一個細(xì)胞的圖像；
提供與前一幀中該至少一個細(xì)胞的圖像相關(guān)聯(lián)的多個粒子，其中多個粒子追蹤該至少一個細(xì)胞從前一幀到當(dāng)前幀中的至少一個細(xì)胞的運(yùn)動；以及
確定與帶有多個粒子的前一幀中該至少一個細(xì)胞相關(guān)聯(lián)的帶有多個粒子的當(dāng)前幀中該至少一個細(xì)胞的大致位置。
9.權(quán)利要求8的方法，其還包括
確定當(dāng)前幀中的該至少一個細(xì)胞是至少一個細(xì)胞還是多個細(xì)胞。
10.權(quán)利要求8的方法，其中當(dāng)前幀中的該至少一個細(xì)胞是新細(xì)胞。
11.權(quán)利要求8的方法，其中當(dāng)前幀中的該至少一個細(xì)胞是多個新細(xì)胞。
12.權(quán)利要求8的方法，其還包括
提供使用多個粒子來追蹤前一幀中的該至少一個細(xì)胞向當(dāng)前幀中的至少一個細(xì)胞的運(yùn)動的蒙特卡洛算法。
13.權(quán)利要求11的方法，其還包括
提供概率密度函數(shù)用于確定該至少一個細(xì)胞在當(dāng)前幀中的大致位置。
14.權(quán)利要求13的方法，其中概率密度函數(shù)是雙曲柯西密度。
15.用于追蹤細(xì)胞運(yùn)動的裝置，其包括
圖像接收設(shè)備，用于
接收前一幀中至少一個細(xì)胞的圖像；
提供與前一幀中該至少一個細(xì)胞的圖像相關(guān)聯(lián)的多個粒子，其中多個粒子追蹤至少一個細(xì)胞從當(dāng)前幀向前一幀中的該至少一個細(xì)胞的運(yùn)動；以及
確定與帶有多個粒子的前一幀中該至少一個細(xì)胞相關(guān)聯(lián)的帶有多個粒子的當(dāng)前幀中該至少一個細(xì)胞的大致位置。
16.用于追蹤細(xì)胞運(yùn)動的系統(tǒng)，其包括
成像系統(tǒng)，用于接收前一幀中至少一個細(xì)胞的圖像，其中成像系統(tǒng)連接到圖像接收設(shè)備；
圖像接收設(shè)備，用于
接收前一幀中至少一個細(xì)胞的圖像；
提供與前一幀中該至少一個細(xì)胞的圖像相關(guān)聯(lián)的多個粒子，其中多個粒子追蹤至少一個細(xì)胞從當(dāng)前幀向前一幀中的該至少一個細(xì)胞的運(yùn)動；以及
確定與帶有多個粒子的前一幀中該至少一個細(xì)胞相關(guān)聯(lián)的帶有多個粒子的當(dāng)前幀中該至少一個細(xì)胞的大致位置。
17.一種追蹤細(xì)胞的方法，其包括
提供帶有位置的前一幀中的至少一個細(xì)胞；
基于該至少一個細(xì)胞在前一幀中的位置，預(yù)測在一段時間后該至少一個細(xì)胞在當(dāng)前幀中的新位置；
測量該至少一個細(xì)胞在當(dāng)前幀中的新位置；以及
基于測定的該至少一個細(xì)胞在當(dāng)前幀中的新位置來更新當(dāng)前幀中該至少一個細(xì)胞的位置。
18.權(quán)利要求17的方法，其中對該至少一個細(xì)胞的新位置的預(yù)測還包括
提供該至少一個細(xì)胞在當(dāng)前幀中的最終位置，它等同于該至少一個細(xì)胞在前一幀中的初始位置加上在前一幀中的該至少一個細(xì)胞的速度乘以時間再加上噪聲。
19.權(quán)利要求17的方法，其中對該至少一個細(xì)胞在當(dāng)前幀中新位置的預(yù)測是基于從前一幀中該至少一個細(xì)胞的位置到當(dāng)前幀中該至少一個細(xì)胞的距離。
20.權(quán)利要求17的方法，其中對該至少一個細(xì)胞的新位置的預(yù)測是一般范數(shù)，該一般范數(shù)基于相對于當(dāng)前幀中該至少一個細(xì)胞的觀察到的位置的粒子對數(shù)概率。
21.一種用于追蹤至少一個細(xì)胞的方法，其包括
提供多個細(xì)胞中的至少一個細(xì)胞在前一幀中某一位置的圖像；
將粒子濾波算法應(yīng)用于該至少一個細(xì)胞，其中粒子濾波算法包括內(nèi)層和外層；
向內(nèi)層提供用于追尋前一幀中的某位置的該至少一個細(xì)胞到當(dāng)前幀中的下一位置的粒子云；
向外層提供用于追尋前一幀中的某位置的該至少一個細(xì)胞到當(dāng)前幀中的下一位置的一組云；并且
通過使用內(nèi)層，預(yù)測當(dāng)前幀的該至少一個細(xì)胞的下一個位置。
全文摘要
本發(fā)明提供一種自動系統(tǒng)和方法，能使用戶追蹤對象的運(yùn)動，例如多個細(xì)胞中的至少一個細(xì)胞隨著時間從一個點(diǎn)到另一個點(diǎn)的運(yùn)動，以使用戶能確定該至少一個細(xì)胞如何工作。用戶能追蹤該至少一個細(xì)胞的運(yùn)動并確定是否該至少一個細(xì)胞的結(jié)構(gòu)發(fā)生了改變，例如該至少一個細(xì)胞正在經(jīng)歷細(xì)胞分裂或兩個或更多細(xì)胞融合到一起。此用戶能最優(yōu)地追蹤至少一個細(xì)胞來找到隨著其在時間和距離上的移動，該至少一個細(xì)胞的大致位置。這樣，本發(fā)明向用戶提供一種通過追蹤細(xì)胞運(yùn)動來研究細(xì)胞功能的方法。
文檔編號G06F19/00GK101611411SQ200880003878
公開日2009年12月23日 申請日期2008年1月30日 優(yōu)先權(quán)日2007年2月9日
發(fā)明者J·奧魯亞奈茲, M·斯瓦特克, 李旭棟, G·卡盧謝 申請人:通用電氣醫(yī)療集團(tuán)生物科學(xué)公司