本發(fā)明涉及細(xì)胞有絲分裂事件檢測(cè)領(lǐng)域，尤其涉及一種基于支持向量機(jī)排序(SVM-rank)的有絲分裂事件識(shí)別方法。

背景技術(shù)：

細(xì)胞增殖行為的研究，在藥物發(fā)現(xiàn)、干細(xì)胞制造和組織工程等許多生物醫(yī)學(xué)應(yīng)用中的重要性日益凸顯。對(duì)于短期小規(guī)模的研究，可以通過人工標(biāo)定的方法來實(shí)現(xiàn)分裂事件的識(shí)別，但是隨著細(xì)胞工程的深入開展，細(xì)胞體外培養(yǎng)的群落規(guī)模不斷擴(kuò)大，培養(yǎng)時(shí)間逐漸變長，這時(shí)，就不得不針對(duì)采集的包含大量細(xì)胞復(fù)雜群體運(yùn)動(dòng)的圖像數(shù)據(jù)，采用計(jì)算機(jī)自動(dòng)、準(zhǔn)確地識(shí)別細(xì)胞分裂事件。

目前，細(xì)胞分裂事件識(shí)別的方法通常分為三類：基于特征的方法、基于軌跡的方法和基于圖模型的方法。基于特征的方法通過對(duì)圖像序列的處理提取局部特征直接檢測(cè)細(xì)胞分裂狀態(tài)，把細(xì)胞分裂事件當(dāng)成時(shí)空域中一個(gè)局部事件來進(jìn)行檢測(cè)，應(yīng)用級(jí)聯(lián)分類器對(duì)三維Haar-like特征描述的圖像序列所構(gòu)成的體積滑動(dòng)窗口進(jìn)行分類^[1]，這種方法只需用一個(gè)訓(xùn)練好的分類器對(duì)所有圖像序列順序掃描就可得到圖像序列中所有發(fā)生分裂的細(xì)胞，卻依賴于大量的訓(xùn)練數(shù)據(jù)且忽略了序列動(dòng)態(tài)特征。

基于軌跡的方法通常依賴于細(xì)胞跟蹤，在跟蹤得到細(xì)胞軌跡的基礎(chǔ)上，根據(jù)分裂過程中的細(xì)胞形態(tài)變化或是母細(xì)胞與子細(xì)胞之間的幀關(guān)系，利用預(yù)定義的規(guī)則鑒別出發(fā)生分裂的細(xì)胞，這也是目前細(xì)胞分類識(shí)別中最為常用的方法，比如將Camshift算法與活動(dòng)輪廓模型結(jié)合，完成細(xì)胞追蹤并獲取細(xì)胞準(zhǔn)確的位置和形狀信息，進(jìn)而識(shí)別細(xì)胞分裂事件^[2]，但是在基于軌跡的方法中，對(duì)于細(xì)胞分裂的識(shí)別只是細(xì)胞跟蹤的副產(chǎn)品，因而細(xì)胞跟蹤的好壞將很大程度上影響細(xì)胞分裂的識(shí)別結(jié)果，而且細(xì)胞分裂事件的發(fā)生是一個(gè)稀疏而分散的過程，通過逐幀跟蹤細(xì)胞來研究細(xì)胞分裂會(huì)導(dǎo)致非常高的計(jì)算成本。

基于圖模型的方法減輕了跟蹤方法的負(fù)擔(dān)，可以通過圖模型的學(xué)習(xí)直接完成細(xì)胞分裂的識(shí)別，利用事件檢測(cè)條件隨機(jī)場(chǎng)(the Event-Detection Conditional Random Field EDCRF)模型來對(duì)有絲分裂事件進(jìn)行同步檢測(cè)和識(shí)別^[3]，但是圖模型方法需要訓(xùn)練隱含時(shí)序動(dòng)態(tài)信息的模型，效率不高。

細(xì)胞分裂事件的識(shí)別當(dāng)前主要存在的問題是：

不同種類細(xì)胞的個(gè)體或群體性差異，以及不同顯微鏡下所得到的細(xì)胞圖像的模式差異，使得細(xì)胞通常呈現(xiàn)不同的外觀且在分裂過程中會(huì)發(fā)生劇烈的形態(tài)學(xué)變化，但當(dāng)前的底層視覺特征并不能夠有效描述細(xì)胞間的這些差異，并且特征描述和模型學(xué)習(xí)都是單獨(dú)進(jìn)行的，對(duì)視覺特征和模型的適應(yīng)性并未做過多的研究。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于SVM-rank的有絲分裂事件識(shí)別方法，本發(fā)明避免了訓(xùn)練隱含時(shí)序模型的過程，通過將一個(gè)排序函數(shù)學(xué)到的參數(shù)作為序列的特征向量，該向量能很好地捕捉序列整個(gè)的外觀特征和序列在時(shí)間上的時(shí)序變化信息，不但大大提高了識(shí)別的準(zhǔn)確率，而且簡(jiǎn)單高效，易于實(shí)現(xiàn)，詳見下文描述：

一種基于支持向量機(jī)排序的有絲分裂事件識(shí)別方法，所述有絲分裂事件識(shí)別方法包括以下步驟：

對(duì)輸入的細(xì)胞圖像利用基于成像模型的顯微圖像分割方法和三維種域生長方法來提取候選子序列；

對(duì)候選子序列的每一幀圖像提取特征向量，使用了HoG、SIFT和Gist三種特征，將提取的向量串起來作為候選子序列的視覺特征，并對(duì)提取的視覺特征進(jìn)行池化，以捕捉序列的外觀信息；

對(duì)得到的外觀信息，利用基于支持向量機(jī)排序方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為整個(gè)序列的特征向量，以捕捉序列范圍內(nèi)隨時(shí)間的外觀演化信息；

在新特征上訓(xùn)練支持向量機(jī)分類器，對(duì)候選子序列進(jìn)行分類，得到最終的識(shí)別結(jié)果。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、本發(fā)明避免了訓(xùn)練隱含時(shí)序模型的過程，通過將一個(gè)排序函數(shù)學(xué)到的參數(shù)作為序列的特征向量，該向量能很好地捕捉序列整個(gè)的外觀特征和序列在時(shí)間上的演化信息；

2、不但大大提高了識(shí)別的準(zhǔn)確率，而且簡(jiǎn)單高效，易于實(shí)現(xiàn)。

附圖說明

圖1為基于SVM-rank的有絲分裂事件識(shí)別方法的流程圖；

圖2為候選子序列典型樣例的示意圖；

(a)為正例的示意圖，(b)為負(fù)例的示意圖。

圖3為平均池化對(duì)視覺特征的作用效果的示意圖；

(a)為初始視覺特征的示意圖，(b)為經(jīng)過平均池化處理后的特征的示意圖。

圖4為通過SVM-rank計(jì)算序列特征的示意圖；

圖5為負(fù)例和正例的特征向量對(duì)比的示意圖。

(a)為負(fù)例的特征的示意圖，(b)為正例的特征的示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

實(shí)施例1

為了解決以上問題，需要提出能夠有效表征細(xì)胞分裂中的外觀、以及外觀隨著時(shí)間的演化信息的特征，準(zhǔn)確、高效地對(duì)分裂事件進(jìn)行建模。通過對(duì)視覺特征進(jìn)行池化能夠有效捕捉細(xì)胞分裂的外觀特征，然后通過排序?qū)W習(xí)可以很好地對(duì)外觀隨時(shí)間的演化過程進(jìn)行基于序列的建模^[4]。本發(fā)明實(shí)施例提出了基于SVM-rank的有絲分裂事件識(shí)別方法，參見圖1，該方法包括以下步驟：

101：對(duì)輸入的細(xì)胞圖像利用基于成像模型的顯微圖像分割方法和三維種域生長方法來提取候選子序列；

102：對(duì)候選子序列的每一幀圖像提取特征向量，使用了HoG、SIFT和Gist三種特征，將提取的向量串起來作為候選子序列的視覺特征，并對(duì)提取的視覺特征進(jìn)行池化，以捕捉序列的外觀信息；

103：對(duì)得到的外觀信息，利用基于支持向量機(jī)排序方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為整個(gè)序列的特征向量，以捕捉序列范圍內(nèi)隨時(shí)間的外觀演化信息；

104：在新特征上訓(xùn)練支持向量機(jī)分類器，對(duì)候選子序列進(jìn)行分類，得到最終的識(shí)別結(jié)果。

綜上所述，本發(fā)明實(shí)施例通過平均池化視覺特征來捕捉圖像序列的外觀信息，利用SVM-rank的方法將排序函數(shù)的參數(shù)作為序列的特征，不但保留了序列的外觀特征還很好地捕捉到了序列隨時(shí)間的外觀演變信息，方法簡(jiǎn)單，高效，易于實(shí)現(xiàn)，而且大大提高了識(shí)別的準(zhǔn)確率。

實(shí)施例2

下面結(jié)合具體的計(jì)算公式、附圖對(duì)實(shí)施例1中的方案進(jìn)行詳細(xì)介紹，詳見下文描述：

201：對(duì)采集的細(xì)胞圖像利用基于成像模型的顯微圖像分割方法和三維種域生長方法^[5]來提取候選子序列；

其中，基于成像模型的顯微圖像分割方法，能夠有效的消除暈輪，遮蔽偽影，選擇性增強(qiáng)有絲分裂細(xì)胞，并恢復(fù)無偽影圖像。三維種域生長方法用來提取可能含有分裂事件的時(shí)空子域，這使得搜索空間從整個(gè)圖像序列縮小到了候選子序列。

為了便于實(shí)驗(yàn)的進(jìn)行和比較，本發(fā)明實(shí)施例提取的候選子序列大小都為50×50×23(每個(gè)序列包含23個(gè)連續(xù)幀塊，每個(gè)塊的大小為50×50像素)。本發(fā)明實(shí)施例稱含有分裂事件的候選子序列為正例，否則為負(fù)例，如圖2所示。

202：將每個(gè)候選子序列中的一個(gè)塊轉(zhuǎn)換成一個(gè)特征向量，反映了相差圖像中有絲分裂的視覺特征；

本發(fā)明實(shí)施例選用了方向梯度直方圖特征(Histogram of Oriented Gradients，HOG)能夠捕獲局部形狀的邊緣或梯度結(jié)構(gòu)特征，把每個(gè)圖像塊分割為8×8像素的單元，把梯度方向平均劃分為9個(gè)區(qū)間，在每個(gè)單元格里面對(duì)所有像素的梯度方向在各個(gè)方向區(qū)間進(jìn)行直方圖統(tǒng)計(jì)，得到一個(gè)9維的特征向量，每相鄰的4個(gè)單元構(gòu)成一個(gè)塊(16×16像素)，把一個(gè)塊內(nèi)的特征向量串聯(lián)起來得到36維的特征向量，用塊樣本對(duì)圖像塊(50×50像素)進(jìn)行掃描，掃描步長為8個(gè)單元，那么水平和垂直方向的掃描窗口都為5，這樣得到圖像的900維HOG特征向量。

尺度不變特征(Scale Invariant Feature Transform，SIFT)在圖像局部特征點(diǎn)提取之后，利用梯度統(tǒng)計(jì)直方圖描述圖像的局部紋理特征和形狀，得到圖像的Sift特征，能夠充分反映特征點(diǎn)附近的局部圖像信息。

提取SIFT特征先要對(duì)給定圖像構(gòu)建其DoG尺度空間，接著在DoG尺度空間的結(jié)果圖像上提取特征點(diǎn)，將坐標(biāo)軸旋轉(zhuǎn)為特征點(diǎn)的主方向以保證旋轉(zhuǎn)不變性，接下來以特征點(diǎn)為中心取16×16的鄰域作為采樣窗口，將采樣窗口分成4×4＝16個(gè)4×4大小的小塊，并對(duì)每個(gè)小塊統(tǒng)計(jì)8個(gè)方向的梯度方向直方圖，即得到一個(gè)8維的向量，最后將這16個(gè)8維的向量組成一個(gè)128維的向量，即為該特征點(diǎn)的Sift描述子。

其中，Gist特征，包括視覺對(duì)場(chǎng)景在所有層次上的處理過程，即從顏色、空間范圍等低層特征，到表面積、體積等中層圖像屬性，再到目標(biāo)屬性、語義描述等高層知識(shí)，它的提取過程避免了對(duì)單個(gè)目標(biāo)或區(qū)域進(jìn)行分割等處理，是一種基于場(chǎng)景全局語義特征的描述符，聚合了多尺度面向邊緣響應(yīng)的圖像空間特征。提取圖像的Gist特征首先需創(chuàng)建Gabor濾波器組，接著完成圖像銳化處理，隨后利用不用方向和空間分辨率的Gabor濾波器對(duì)圖像進(jìn)行濾波(卷積操作)，最后得到圖像的Gist特征。

本發(fā)明實(shí)施例在對(duì)圖像序列提取Gist特征的過程中，創(chuàng)建尺度為3，方向數(shù)為8、8、4的20個(gè)濾波器構(gòu)成的Gabor濾波器組，將濾波后的圖像分成3×3的網(wǎng)格，在各方向、各尺度的每個(gè)網(wǎng)格內(nèi)取均值放在一個(gè)向量中，得到圖像的180維Gist特征向量。

203：利用時(shí)間均值變量(即平均池化)捕捉序列的外觀演變信息；

受時(shí)間序列的啟發(fā)，本發(fā)明實(shí)施例利用時(shí)間均值變量(即平均池化)來捕捉序列的外觀演變信息。對(duì)于一個(gè)序列X＝{x₁,x₂,...,x_t,...,x_n}由n幀連續(xù)圖像塊組成，x_t∈R^D表示從第t幀圖像塊所提取的視覺特征向量；D為特征維數(shù)；R為實(shí)數(shù)。那么序列在時(shí)間t的均值向量可以表示為：

那么，v_t捕獲了單位均值向量的方向矢量：

因此，本發(fā)明實(shí)施例定義了一個(gè)時(shí)間變量t上的矢量值函數(shù)，V:t→v_t。

204：對(duì)得到的外觀信息，利用SVM-rank方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為整個(gè)序列的特征向量，以捕捉序列范圍內(nèi)隨時(shí)間的外觀演化信息；

由上面的過程可以看出，v_t捕捉了序列的外觀和運(yùn)動(dòng)信息，并且僅間接地和時(shí)間變量t相關(guān)。為了直觀地觀察矢量值函數(shù)如何影響視覺特征，圖3(a)表示了初始視覺特征x_t隨時(shí)間t的變化過程，(b)表示了時(shí)間均值變量v_t隨時(shí)間t的變化過程。

既然v_t+1是通過v_t得來的，那么它們之間必然存在一個(gè)相對(duì)的順序約束，由此本發(fā)明實(shí)施例可以得到：本發(fā)明實(shí)施例按照成對(duì)線性排序機(jī)來對(duì)這種順序約束建模，定義一個(gè)由參數(shù)u表征的線性函數(shù)：

ψ(v；u)＝u^T.v

其中，ψ(v；u)為線性分類函數(shù)；v為對(duì)視覺特征進(jìn)行池化處理所得的特征。

通過排序問題的優(yōu)化學(xué)習(xí)來計(jì)算參數(shù)u，使得u滿足t_i,t_j分別為圖像塊序列中的第t_i,t_j塊；為對(duì)前t_i個(gè)視覺特征向量進(jìn)行池化處理所得的特征向量；為對(duì)前t_j個(gè)視覺特征向量進(jìn)行池化處理所得的特征向量。利用SVM-rank^[6]來學(xué)習(xí)排序問題，使其滿足最大間隔，同時(shí)避免過擬合，那么可以得到下面的優(yōu)化問題：

σ_ij≥0

其中，C是一個(gè)參數(shù)，控制目標(biāo)函數(shù)中兩項(xiàng)(“尋找間隔最大的超平面”和“保證數(shù)據(jù)點(diǎn)偏差量最小”)之間的權(quán)重；σ_ij為松弛變量，對(duì)應(yīng)數(shù)據(jù)點(diǎn)允許偏離的函數(shù)間隔的量。

將學(xué)習(xí)到的最優(yōu)參數(shù)u作為序列的特征，由于排序函數(shù)ψ對(duì)時(shí)間均值向量v(表示了序列的外觀特征)作了排序，因此u能夠捕捉到序列的外觀時(shí)序動(dòng)態(tài)信息。不同序列隨著時(shí)間的外觀演化信息是不一樣的，因此不同的序列能夠得到不同排序函數(shù)，這表示排序函數(shù)具有序列特異性，因此表征排序函數(shù)的參數(shù)u能夠表征序列的時(shí)序動(dòng)態(tài)信息。

圖4給出了(a)一個(gè)負(fù)例的特征u和(b)一個(gè)正例的特征u。除了捕捉序列的線性時(shí)序動(dòng)態(tài)信息，可以通過對(duì)V上的每個(gè)v_t進(jìn)行非線性映射(這里使用卡方核映射)來捕捉序列的非線性時(shí)序動(dòng)態(tài)信息?？紤]了前向流的相對(duì)順序，同時(shí)也應(yīng)該考慮后向流的相對(duì)順序，這里將只考慮前向流的SVM-rank捕捉序列線性外觀時(shí)序動(dòng)態(tài)信息的過程簡(jiǎn)稱為FDSE，非線性的簡(jiǎn)稱為NL-FDSE，將只考慮后向流的分別簡(jiǎn)稱為RDSE，NL-RDSE，將既考慮前向流又考慮后向流的簡(jiǎn)稱為RFDSE,NL-RFDSE，圖5描述了利用SVM-rank來提取特征u的過程。

參數(shù)u的學(xué)習(xí)過程：

令對(duì)應(yīng)的優(yōu)化問題可以改寫為：

s.t.u^T·a_t≥1-σ_t

σ_t≥0

其中，σ_t為松弛變量，對(duì)應(yīng)數(shù)據(jù)點(diǎn)a_t允許偏離的函數(shù)間隔的量。

由于目標(biāo)函數(shù)是凸函數(shù)，因此滿足KKT(庫恩-塔克)條件，引入拉格朗日乘子法：

其中，α_t，β_t為拉格朗日乘子。

通過求導(dǎo)尋找最優(yōu)解：

將u和β_t帶回拉格朗日函數(shù)L(u,α,β)得到：

其中，α是因變量。

根據(jù)對(duì)偶理論，初始的優(yōu)化問題重構(gòu)為：

s.t.α_t≥0

最后，利用SMO(序列最小優(yōu)化)算法便可以得到最優(yōu)參數(shù)u^*。

205：在新特征上訓(xùn)練SVM分類器，對(duì)候選子序列進(jìn)行分類，得到最終的識(shí)別結(jié)果。

既然候選子序列可以用特征u來表征，候選訓(xùn)練集可以表示為S_train＝{u_i,yi},i＝1,...,N。候選測(cè)試集可以表示為S_test＝{u_i,y_j},j＝1,...,M，M,N分別表示訓(xùn)練集和測(cè)試集的候選子序列數(shù)目，y∈{0,1}，“0”表示“不包含分裂事件”，“1”表示包含分類事件。通過在S_train上訓(xùn)練SVM分類器來完成S_test的分類。

綜上所述，本發(fā)明實(shí)施例通過平均池化視覺特征來捕捉圖像序列的外觀信息，利用SVM-rank的方法將排序函數(shù)的參數(shù)作為序列的特征，不但保留了序列的外觀特征還很好地捕捉到了序列隨時(shí)間的外觀演變信息，方法簡(jiǎn)單，高效，易于實(shí)現(xiàn)，而且大大提高了識(shí)別的準(zhǔn)確率。

實(shí)施例3

下面結(jié)合具體的實(shí)驗(yàn)數(shù)據(jù)、附圖對(duì)實(shí)施例1和2中的方案進(jìn)行可行性驗(yàn)證，詳見下文描述：

本實(shí)驗(yàn)使用的數(shù)據(jù)庫為相差顯微數(shù)據(jù)集C2C12。C2C12數(shù)據(jù)集的培養(yǎng)環(huán)境為DMEM細(xì)胞培養(yǎng)基，添加10％牛胎兒血清、1％青霉素鏈霉素，環(huán)境溫度保持37℃恒定，周圍二氧化碳濃度為5％。使用蔡司透鏡(型號(hào)為Zeiss Axiovert 135TV倒置顯微鏡，5X，0.15N.A.)在干細(xì)胞體外培養(yǎng)的過程中每五分鐘捕獲一張細(xì)胞圖像，每張圖像大小為1392×1040像素，分辨率為1.3μm/pixel。C2C12中每個(gè)序列包含1013張圖片。

獲取圖像之后，生物學(xué)研究者使用帶有用戶圖形界面的標(biāo)注工具在圖像序列中手動(dòng)標(biāo)注細(xì)胞分裂事件。對(duì)于每個(gè)細(xì)胞分裂事件，標(biāo)注者以兩個(gè)子細(xì)胞間的邊界清晰可見作為階段3(分裂形成子細(xì)胞)的開始，標(biāo)定這一邊界中心位置。以標(biāo)注位置為中心生成大小為50×50像素的圖像塊，以標(biāo)注中心所在圖像塊為中心幀的連續(xù)23個(gè)圖像塊構(gòu)成一個(gè)候選子序列，作為正例。在序列圖像中進(jìn)行隨機(jī)撒種，生成和正例相同尺寸的候選子序列，從中挑選不包含分裂事件的候選子序列作為負(fù)例。本發(fā)明實(shí)施例的實(shí)驗(yàn)中使用序列1作為測(cè)試集，包含452個(gè)正例，512個(gè)負(fù)例，使用序列2作為訓(xùn)練集，包含501個(gè)正例，512個(gè)負(fù)例。

計(jì)算判對(duì)的正例(true positive,TP)，判對(duì)的負(fù)例(true negative,TN)，判錯(cuò)的正例(false positive,FP)，判錯(cuò)的負(fù)例(false negative,FN)四個(gè)量，然后依此計(jì)算：

三個(gè)定量指標(biāo)來評(píng)估對(duì)分裂事件的識(shí)別性能，其中Precision是查準(zhǔn)率，Recall是查全率，F(xiàn)₁score是Precision和Recall的加權(quán)調(diào)和平均。

實(shí)驗(yàn)中將RFDSE,NL-RFDSE與以下三種方法進(jìn)行對(duì)比的結(jié)果如表1所示：

表1

HCRF^[7](Hidden conditional random fields)，又稱“基于隱條件隨機(jī)場(chǎng)的分裂事件識(shí)別”；

HSCNF^[8](Cell type-independent mitosis event detection via hidden-state conditional neural fields)，又稱“基于隱狀態(tài)條件隨機(jī)場(chǎng)的分裂事件識(shí)別”。

EDCRF^[9](Event detection conditional random field)，又稱“事件檢測(cè)條件隨機(jī)場(chǎng)”。

由圖(3)可以很明顯地觀察到對(duì)視覺特征進(jìn)行平均池化，可以大大降低噪音，這可以極大地幫助捕捉序列的外觀演變信息，并更好的幫助學(xué)習(xí)排序。

由圖(5)，由SVM-rank得到的特征能夠很好地區(qū)分正例和負(fù)例，正例的特征呈現(xiàn)趨于直線的變化，負(fù)例的特征變化較為平緩。

綜上所示，本發(fā)明實(shí)施例提出了一個(gè)能夠有效捕捉序列的外觀演變信息的特征，并且可以避免訓(xùn)練隱含時(shí)序動(dòng)態(tài)信息的模型，給出了一個(gè)有效的細(xì)胞分裂事件識(shí)別方案。通過和其它方法的實(shí)驗(yàn)結(jié)果比較，本方法不僅簡(jiǎn)單，高效而且有效地提高了分裂事件的識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

[1]Li K,Miller E D,Chen M,et al.Computer vision tracking of stemness.[J].Proc.ieee Int.symp.biomed.imaging,2008:847-850.

[2]劉寧夏，丁顯廷，孫明竹，等，基于Camshift與活動(dòng)輪廓模型的細(xì)胞追蹤方法，Proceeding of the 31st Chinese Control Conference,Hefei,China,July 25-27,2012:3656-3661.

[3]Huh S,Ker D F,Bise R,et al.Automated mitosis detection of stem cell populations in phase-contrast microscopy images.[J].IEEE Transactions on Medical Imaging,2011,30(3):586-96.

[4]Fernando B,Gavves E,Oramas M J,et al.Modeling video evolution for action recognition[C]//CVPR.2015:5378-5387.

[5]Liu A A,Li K,Kanade T.A semi-Markov model for mitosis segmentation in time-lapse phase contrast microscopy image sequences of stem cell populations.[J].IEEE Transactions on Medical Imaging,2012,31(2):359-69.

[6]Joachims T.Training linear SVMs in linear time[C]//Twelfth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Philadelphia,Pa,Usa,August.2015:217-226.

[7]Quattoni A,Wang S,Morency L P,et al.Hidden conditional random fields.[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2007,29(10):1848-53.

[8]Su Y,Yu J,Liu A,et al.Cell type-independent mitosis event detection via hidden-state conditional neural fields[C]//IEEE,International Symposium on Biomedical Imaging.2014:222-225.

[9]Huh S,Ker D F,Bise R,et al.Automated mitosis detection of stem cell populations in phase-contrast microscopy images.[J].IEEE Transactions on Medical Imaging,2011,30(3):586-96.

本領(lǐng)域技術(shù)人員可以理解附圖只是一個(gè)優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。