專利名稱：一種細胞分裂識別方法
技術領域：
本發(fā)明屬于圖像分析和模式識別領域，特別涉及一種細胞分裂識別方法。
背景技術：
通過體外培養(yǎng)的方式對細胞繁殖行為進行定量分析對于許多生物醫(yī)學應用，如藥物開發(fā)、干細胞培養(yǎng)、組織工程等，具有重要意義。在該研究過程中，通過顯微鏡進行細胞圖像采集，并利用先進的圖像處理技術實現(xiàn)準確的細胞分裂識別將對該研究起到關鍵的作用。傳統(tǒng)的基于顯微鏡圖像的細胞分裂識別方法可以分為三類1)基于局部顯著性 特征的方法該方法將細胞分裂區(qū)域看作一個特殊的視覺模式，利用分裂區(qū)域的圖像特征直接學習一個支持向量機分類器用于識別；2)基于跟蹤的方法該方法通過目標跟蹤算法實現(xiàn)個體軌跡的提取，然后通過母細胞分裂為子細胞時軌跡的變化特征來進行細胞分裂的識別；3)基于時序模型的方法該方法首先利用跟蹤方法提取每個細胞分裂事件對應在圖像序列中的時空區(qū)域，然后通過時序推斷模型來學習細胞分裂過程中分裂區(qū)域特征變化的時序規(guī)律從而實現(xiàn)細胞分裂的識別。發(fā)明人在實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術中至少存在以下的缺點和不足I)現(xiàn)有視覺特征對于非剛體和形變不規(guī)則目標(例如細胞)的表征能力有限，因此基于局部顯著性特征方法通常泛化能力較差；2)基于跟蹤的方法和基于時序模型方法都對準確的軌跡提取有很強的依賴性，然而，對非剛性物體的跟蹤本身就是很困難的；3)基于時序模型方法往往通過大范圍的時序信息的利用和時序狀態(tài)轉移的學習進行復雜模型的構建，這將使得模型的學習需要很高計算復雜度，并使該方法不能滿足生物分析對細胞分裂識別的實時性要求，并且細胞分裂的識別率較低。

發(fā)明內容
本發(fā)明提供了一種細胞分裂識別方法，本發(fā)明降低了對非剛體目標特征提取的難度，使得細胞分裂行為的識別不依賴于細胞的跟蹤和時序推斷模型，顯著降低計算復雜度的影響，提高細胞分裂的識別率，詳見下文描述—種細胞分裂識別方法，所述方法包括以下步驟(I)獲取分裂細胞區(qū)域的正樣本和不包含分裂細胞區(qū)域的負樣本組成訓練數(shù)據，從每個訓練數(shù)據中提取第一視覺特征向量Xi,由多個所述第一視覺特征向量Xi構成第一訓練集1 =丨1,丨二，其中，所述訓練數(shù)據包括分裂細胞圖像和非分裂細胞圖像，4
表示dX I維空間，i表示圖像序號，i的取值是正整數(shù)，N為特征向量的個數(shù)，還為所述訓練數(shù)據的個數(shù)；(2)構造目標函數(shù)Wi,7) =||A(. ~4x WiI丨 + f x正則項，其中，第一視覺特征向量Xi力需通過所述該目標函數(shù)進行稀疏分解的對象；小表示詞典，是一個dX I維的二維矩陣，其每一列表示該詞典的一個基Ctp用d維向量表示，j的取值是正整數(shù)，I表示詞典中基4^_基的個數(shù)；w,. eRm表示對應所述第一視覺特征向量Xi的稀疏分解系數(shù),Rlxl表示1X1維空間；Y表示權重；(3)通過所述第一訓練集X和所述目標函數(shù)學習第一最佳詞典Cj5* ；(4)通過所述第一最佳詞典Ct*對所述第一訓練集X進行稀疏分解，獲取各所述第一視覺特征向量Xi對應的第一最優(yōu)稀疏分解系數(shù)< ;(5)通過所述正樣本和所述負樣本對應第一最優(yōu)稀疏分解系數(shù)獲取訓練后分裂細胞模型；(6)對新測試數(shù)據Yi獲取第二最優(yōu)稀疏分解系數(shù)W〗 ,，將所述第二最優(yōu)稀疏分解系數(shù)w〗，,輸入所述訓練后分裂細胞模型，獲取輸出結果；當所述輸出結果的類別標記為1，則表示所述新測試數(shù)據Yi包含分裂細胞區(qū)域；當所述輸出結果的類別標記為0，則表示所述新測試數(shù)據Yi不包含分裂細胞區(qū)域。所述構造目標函數(shù)F(WiJ) = Ix,.-多Xw^+yx正則項具體包括I)根據最小二乘思想構建目標函數(shù)，通過所述詞典0和所述第一視覺特征向量Xi對應的稀疏分解系數(shù)Wi來對所述第一視覺特征向量Xi進行擬合即-^x Mt;2)引入正則項，使得所述目標函數(shù)形式如下Zr(WpX) = Ix廠正則項，Y 為權重。所述通過所述第一訓練集X和所述目標函數(shù)學習第一最佳詞典Ct*具體包括I)固定第k次迭代時的詞典Ak，學習所述第一視覺特征向量Xi在第k次迭代時對應的稀疏分解系數(shù)<;假設第k次迭代時，固定詞典ctk，則所述第一視覺特征向量Xi對應的稀疏分解系數(shù)wf通過求解下式獲得，
權利要求
1.一種細胞分裂識別方法，其特征在于，所述方法包括以下步驟 (1)獲取分裂細胞區(qū)域的正樣本和不包含分裂細胞區(qū)域的負樣本組成訓練數(shù)據，從每個訓練數(shù)據中提取第一視覺特征向量Xi，由多個所述第一視覺特征向量Xi構成第一訓練集X = ，其中，所述訓練數(shù)據包括分裂細胞圖像和非分裂細胞圖像，AeKrfxl，R 表示dXl維空間，i表示圖像序號，i的取值是正整數(shù)，N為特征向量的個數(shù)，還為所述訓練數(shù)據的個數(shù)； (2)構造目標函數(shù)
2.根據權利要求I所述的一種細胞分裂識別方法，其特征在于，所述構造目標函數(shù) =+fx正則項具體包括 1)根據最小二乘思想構建目標函數(shù)，通過所述詞典0和所述第一視覺特征向量Xi對應的稀疏分解系數(shù)Wi來對所述第一視覺特征向量Xi進行擬合即;
3.根據權利要求2所述的一種細胞分裂識別方法，其特征在于，所述通過所述第一訓練集X和所述目標函數(shù)學習第一最佳詞典Ct*具體包括 1)固定第k次迭代時的詞典Ctk，學習所述第一視覺特征向量Xi在第k次迭代時對應的稀疏分解系數(shù)wf ; 假設第k次迭代時，固定詞典ctk，則所述第一視覺特征向量Xi對應的稀疏分解系數(shù)Wf通過求解下式獲得，
4.根據權利要求3所述的一種細胞分裂識別方法，其特征在于，所述第一最優(yōu)稀疏分解系數(shù)<具體為
5.根據權利要求4所述的一種細胞分裂識別方法，其特征在于，所述通過所述正樣本和所述負樣本對應第一最優(yōu)稀疏分解系數(shù)<獲取訓練后分裂細胞模型具體包括 所述正樣本用稀疏分解系數(shù)集Wpu' =彳表示，上標Pos表示正樣本,上標P表示正樣本總數(shù)，所以表示正樣本的第一視覺特征向量Xi對應的稀疏分解系數(shù)，并將正樣本類別標記為I，所述負樣本用稀疏分解系數(shù)集表示，上標Neg表示負樣本，上標Q表示負樣本總數(shù)，所以Mfg表示負樣本的第一視覺特征向量Xi對應的稀疏分解系數(shù)，并將負樣本類別標記為0，將所述正樣本、所述負樣本、所述正樣本類別標記、所述負樣本類別標記輸入分類器進行模型訓練，獲取所述訓練后分裂細胞模型。
6.根據權利要求5所述的一種細胞分裂識別方法，其特征在于，所述第二最優(yōu)稀疏分解系數(shù)4',具體為
全文摘要
本發(fā)明公開了一種細胞分裂識別方法，通過第一訓練集和目標函數(shù)學習第一最佳詞典；通過第一最佳詞典對第一訓練集進行稀疏分解，獲取各第一視覺特征向量對應的第一最優(yōu)稀疏分解系數(shù)；通過正樣本和負樣本對應第一最優(yōu)稀疏分解系數(shù)獲取訓練后分裂細胞模型；對新測試數(shù)據獲取第二最優(yōu)稀疏分解系數(shù)，將第二最優(yōu)稀疏分解系數(shù)輸入訓練后分裂細胞模型，獲取輸出結果；當輸出結果的類別標記為1，則表示新測試數(shù)據包含分裂細胞區(qū)域；當輸出結果的類別標記為0，則表示新測試數(shù)據不包含分裂細胞區(qū)域。本方法克服了對非剛體目標特征提取的困難，對于細胞分裂行為的識別不依賴于細胞的跟蹤和時序推斷模型，可以顯著降低計算復雜度影響，提高細胞分裂的識別率。
文檔編號G06T7/00GK102722717SQ20121016350
公開日2012年10月10日 申請日期2012年5月22日 優(yōu)先權日2012年5月22日
發(fā)明者劉安安 申請人:天津大學