本發(fā)明涉及細(xì)胞分裂事件檢測領(lǐng)域，尤其涉及一種基于池化時(shí)間序列特征表示的細(xì)胞分裂事件識別方法。

背景技術(shù)：

細(xì)胞生命規(guī)律的探索是生物醫(yī)學(xué)研究中的一個(gè)重要方面。為了實(shí)現(xiàn)人為可控的細(xì)胞培養(yǎng)，以解決醫(yī)學(xué)中的相關(guān)難題，為疾病的預(yù)防、診斷和治療服務(wù)，細(xì)胞工程應(yīng)運(yùn)而生。干細(xì)胞增殖期的有絲分裂行為分析是一項(xiàng)很重要的指標(biāo)，比如在癌癥檢查的評估中，及組織工程學(xué)等領(lǐng)域，之前，這項(xiàng)工作只能依靠生物學(xué)家的人工注釋，工作量浩大，消耗大量的人力物力。為了解決高通量的細(xì)胞數(shù)據(jù)分析，提高效率，降低各方面的損耗，自動(dòng)的細(xì)胞分裂事件檢測和定位就顯得十分迫切和必要。

細(xì)胞分裂事件檢測是基于數(shù)字圖像處理、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等技術(shù)，借助于計(jì)算機(jī)處理技術(shù)，自動(dòng)識別和定位分裂事件的研究。目前，在顯微鏡圖像序列下的細(xì)胞分裂事件檢測技術(shù)主要分為三類：基于特征的方法、基于軌跡的方法和基于圖模型的方法?；谔卣鞯姆椒ㄍㄟ^對圖像序列的處理提取局部特征直接檢測細(xì)胞分裂狀態(tài)，Li等人^[1]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，應(yīng)用級聯(lián)分類器對三維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，Siva等人^[2]直接利用時(shí)域信息描述細(xì)胞形變特征，此類方法依賴于大量的訓(xùn)練數(shù)據(jù)且忽略了序列動(dòng)態(tài)特征，缺乏檢測的特異性定位?；谲壽E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)的變化或是母細(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^[3][4]，Dzyubachyk等人^[5]進(jìn)一步修改擴(kuò)展了耦合活性表面算法，利用細(xì)胞遷移和增殖的多層集合提升了算法的魯棒性和適應(yīng)性。Yang等人^[6]通過基于水平集的細(xì)胞跟蹤方法完成細(xì)胞群落分離和細(xì)胞分裂識別，研究活體細(xì)胞圖像。因?yàn)榧?xì)胞跟蹤本身就是一個(gè)極具挑戰(zhàn)性的任務(wù)，所以過于依賴跟蹤會(huì)使得識別定位的結(jié)果很難做到真實(shí)、準(zhǔn)確。同時(shí)由于細(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)胞分裂必將以高計(jì)算成本為代價(jià)，顯然這不是明智之舉。基于圖模型的方法減輕了跟蹤方法的負(fù)擔(dān)，通過圖模型的學(xué)習(xí)直接完成細(xì)胞分裂的識別和定位。Ecodes等人^[7]使用環(huán)形檢測來定位母細(xì)胞和兩個(gè)子細(xì)胞。Gallardo等人^[8]基于細(xì)胞形狀和外觀特征采用了隱馬爾科夫模型來對候選序列進(jìn)行分類。El-Labban等人^[9]利用動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping，DTW)根據(jù)參考信號調(diào)整樣本特征的時(shí)域信號完成細(xì)胞周期的自動(dòng)標(biāo)記，并在此基礎(chǔ)上進(jìn)一步引入半馬爾科夫模型(Semi-Markov Model，SMM)提高細(xì)胞周期標(biāo)記的準(zhǔn)確率^[10]。Huh等人^[11]提出了利用事件檢測條件隨機(jī)場(Event Detection Conditional Random Field,EDCRF)模型同時(shí)識別和定位細(xì)胞分裂的方法。Liu等人^[12]進(jìn)一步將最大邊緣隱條件隨機(jī)場(Hidden Conditional Random Field,HCRF)模型與最大邊緣SMM相結(jié)合，加強(qiáng)對細(xì)胞分裂事件的識別力度的同時(shí)定位細(xì)胞分裂過程中的四個(gè)明顯階段。

細(xì)胞分裂事件檢測領(lǐng)域目前面臨的主要挑戰(zhàn)為：

1)特征描述：不同類型的細(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。

2)模型學(xué)習(xí)：目前特征描述和模型學(xué)習(xí)都是單獨(dú)進(jìn)行的，尚不清楚提取的視覺特征能否促進(jìn)模型對序列結(jié)構(gòu)的學(xué)習(xí)。

3)跨域識別定位：由于不同種類細(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)胞分裂狀態(tài)的表現(xiàn)存在極大不同。與此同時(shí)，細(xì)胞體外培養(yǎng)的難度依舊較大，且用于實(shí)驗(yàn)研究的有效細(xì)胞數(shù)據(jù)很難獲取，目前可用于科學(xué)研究的細(xì)胞序列數(shù)據(jù)并不多見。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于池化時(shí)間序列特征表示的細(xì)胞分裂事件識別方法，本發(fā)明避免了對序列的每一幀進(jìn)行分析，而是將整個(gè)序列在空域和時(shí)域上聯(lián)合作為整體，保留了幀與幀之間的時(shí)域關(guān)系，提高了序列分類預(yù)測結(jié)果，可以應(yīng)用于多種視頻序列內(nèi)容分析，詳見下文描述：

一種基于池化時(shí)間序列特征表示的細(xì)胞分裂事件識別方法，所述細(xì)胞分裂事件識別方法包括以下步驟：

在樣本數(shù)據(jù)庫中，提取樣本相關(guān)特征，將所有樣本特征的集合定義為初始特征庫；

初始特征矩陣的每一橫向維度為一個(gè)時(shí)間序列，將多種池化算子應(yīng)用于時(shí)間金字塔結(jié)構(gòu)，將池化后的結(jié)果級聯(lián)為一個(gè)向量，作為樣本的最終表示；

分別計(jì)算訓(xùn)練集和測試集的核矩陣，應(yīng)用支持向量機(jī)作為分類器，獲取最終的預(yù)測結(jié)果。

所述細(xì)胞分裂事件識別方法還包括：采集細(xì)胞候選子序列，將所有候選子序列定義為構(gòu)成樣本數(shù)據(jù)庫。

所述多種池化算子具體為：最大池化算子、和池化算子、以及引入時(shí)間序列梯度直方圖概念的池化算子。

所述時(shí)間序列梯度直方圖概念的池化算子具體為：

其中，表示在[t^s,t^e]時(shí)間段的正梯度算子，表示在[t^s,t^e]時(shí)間段的負(fù)梯度算子，表示在[t^s,t^e]時(shí)間段的另一種正梯度算子，表示在[t^s,t^e]時(shí)間段的另一種負(fù)梯度算子，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的正梯度值，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的負(fù)梯度值，∧為邏輯與。

所述將池化后的結(jié)果級聯(lián)為一個(gè)向量，作為樣本的最終表示的步驟具體為：

其中，表示在時(shí)間段內(nèi)將第j種池化算子應(yīng)用于第i個(gè)時(shí)間序列f_i(t)。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、本發(fā)明避免了對序列的每一幀進(jìn)行分析，而是將整個(gè)序列在空域和時(shí)域上聯(lián)合作為整體，保留了幀與幀之間的時(shí)域關(guān)系；

2、采用時(shí)間金字塔結(jié)構(gòu)，使得序列的時(shí)域信息表征更加精細(xì)；

3、池化時(shí)間序列表示(Pooled Time Series，PoT)框架適用于任何類型的單幀特征描述子，具有廣泛的適用性。

附圖說明

圖1為一種基于池化時(shí)間序列特征表示的細(xì)胞分裂事件識別方法的流程圖；

圖2為PoT表示方法框架圖；

圖3為C2C12成骨干細(xì)胞群落細(xì)胞的一幀圖像樣例；

其中，本發(fā)明提取的樣本是從很多連續(xù)的幀分割然后按照時(shí)間順序拼接而成的。

圖4為細(xì)胞候選子序列正負(fù)樣本樣例圖；

(a)為正樣本；(b)為負(fù)樣本，從上到下分別為：只含背景；含有普通細(xì)胞；含有部分分裂期細(xì)胞。

圖5為時(shí)間金字塔結(jié)構(gòu)總層數(shù)L對識別結(jié)果的影響對比圖。

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

研究表明：捕捉初始特征描述子在每一幀之間的變化信息使得對于序列的研究更加精細(xì)，本發(fā)明實(shí)施例提出了基于池化時(shí)間序列特征表示的細(xì)胞分裂事件識別方法，參見圖1，詳見下文描述：

101：在樣本數(shù)據(jù)庫中，提取樣本相關(guān)特征，將所有樣本特征的集合定義為初始特征庫；

102：初始特征矩陣的每一橫向維度為一個(gè)時(shí)間序列，將多種池化算子應(yīng)用于時(shí)間金字塔結(jié)構(gòu)，將池化后的結(jié)果級聯(lián)為一個(gè)向量，作為樣本的最終表示；

103：分別計(jì)算訓(xùn)練集和測試集的核矩陣，應(yīng)用支持向量機(jī)作為分類器，獲取最終的預(yù)測結(jié)果。

其中，在步驟101之前，該細(xì)胞分裂事件識別方法還包括：采集細(xì)胞候選子序列，將所有候選子序列定義為構(gòu)成樣本數(shù)據(jù)庫。

其中，步驟102中的多種池化算子具體為：

最大池化算子、和池化算子、以及引入時(shí)間序列梯度直方圖概念的池化算子。

時(shí)間序列梯度直方圖概念的池化算子具體為：

其中，表示在[t^s,t^e]時(shí)間段的正梯度算子，表示在[t^s,t^e]時(shí)間段的負(fù)梯度算子，表示在[t^s,t^e]時(shí)間段的另一種正梯度算子，表示在[t^s,t^e]時(shí)間段的另一種負(fù)梯度算子，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的正梯度值，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的負(fù)梯度值，∧為邏輯與。

其中，步驟102中的將池化后的結(jié)果級聯(lián)為一個(gè)向量，作為樣本的最終表示的步驟具體為：

其中，表示在時(shí)間段內(nèi)將第j種池化算子應(yīng)用于第i個(gè)時(shí)間序列f_i(t)。

如上所述，本發(fā)明實(shí)施例避免了對序列的每一幀進(jìn)行分析，而是將整個(gè)序列在空域和時(shí)域上聯(lián)合作為整體，保留了幀與幀之間的時(shí)域關(guān)系，提高了序列分類預(yù)測結(jié)果，可以應(yīng)用于多種視頻序列內(nèi)容分析。

實(shí)施例2

下面結(jié)合具體的計(jì)算公式、附圖對實(shí)施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見下文描述：

201：采集細(xì)胞候選子序列，構(gòu)成樣本數(shù)據(jù)庫；

本方法中候選子序列長度為23幀，每一幀大小為50*50像素，所有候選子序列構(gòu)成樣本數(shù)據(jù)庫。本發(fā)明實(shí)施例的數(shù)據(jù)集C2C12是成骨干細(xì)胞群落(ATTC,Manassas,VA)，可以分化為造骨細(xì)胞和肌細(xì)胞。

圖2給出了一幀圖像樣例，提取的樣本是從很多連續(xù)的幀分割然后按照時(shí)間順序拼接而成的。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。這些人工標(biāo)記的中心位置及對應(yīng)在第幾幀的信息用數(shù)學(xué)的方法表示為一個(gè)三維向量，標(biāo)記的數(shù)目即為一個(gè)序列中分裂事件的數(shù)量，這些信息稱為真實(shí)數(shù)據(jù)(ground truth)，訓(xùn)練集正負(fù)樣本的標(biāo)簽就是與真實(shí)數(shù)據(jù)比較而產(chǎn)生的。

最終構(gòu)成的樣本數(shù)據(jù)庫樣例參見圖4，其中，正樣本的提取過程：根據(jù)真實(shí)數(shù)據(jù)的位置信息和時(shí)間信息[x,y,t]，其中x和y為人工標(biāo)記的中心位置的坐標(biāo)，t表示這一中心位置在第幾幀。

提取正樣本時(shí)，在連續(xù)23幀如圖2所示的圖像上，時(shí)間上以t為中心幀，前后各取11幀，空間上以[x,y]為中心，用邊長為50像素的正方形，用正方形將這樣的區(qū)域分割出來，然后按照時(shí)間順序拼接為一個(gè)23幀長的候選子序列，作為正樣本。一個(gè)正樣本包含一個(gè)完整的細(xì)胞分裂事件，一個(gè)完整的分裂事件包含4個(gè)階段：

階段1：細(xì)胞準(zhǔn)備分裂。在此階段細(xì)胞外形保持正常，但運(yùn)動(dòng)速度降低；

階段2：細(xì)胞開始分裂。在此階段細(xì)胞形狀變小、收縮聚攏、亮度增加；

階段3：分裂形成子細(xì)胞。此階段中兩個(gè)子細(xì)胞可見且相互粘附，形成“8”字形；

階段4：分離完成。此階段中兩個(gè)子細(xì)胞相互分開。

負(fù)樣本的提取過程：負(fù)樣本為不是分裂事件的候選子序列，在原始序列上隨機(jī)撒種，隨機(jī)撒種的過程中避開真實(shí)數(shù)據(jù)，則得到的[x,y,t]不會(huì)有和真實(shí)數(shù)據(jù)完全重合的部分，按照相同的方法提取出對應(yīng)的候選子序列，這樣，得到的大部分子序列都是背景不包含任何細(xì)胞，為了使負(fù)樣本具有代表性，按照一定的比例進(jìn)行篩選，最終形成的負(fù)樣本包含三種類型：只有背景的；只含有普通細(xì)胞的；含有部分分裂期細(xì)胞。

202：在樣本數(shù)據(jù)庫中，提取樣本相關(guān)特征，將所有樣本特征的集合定義為初始特征庫；

其中，每個(gè)樣本的特征為一個(gè)D×23的矩陣，D為特征維度，23為子序列幀長，將所有樣本特征的集合定義為初始特征庫。本發(fā)明實(shí)施例中的初始特征庫包括Gist和Sift兩種特征，很多研究表明，這兩種特征能夠較好地描述細(xì)胞的外形特征，通常被應(yīng)用于此類研究中。其中，Gist特征為180*23的矩陣，Sift特征為128*23的矩陣。則初始特征庫的數(shù)學(xué)表示為A＝{A₁,...,A_m,...A_M}，A_m∈R^D×23，，M表示樣本數(shù)目，A_m表示一個(gè)樣本的初始特征，R表示實(shí)數(shù)空間。

203：初始特征矩陣的每一橫向維度為一個(gè)時(shí)間序列，將多種池化算子應(yīng)用于時(shí)間金字塔結(jié)構(gòu)，將池化后的結(jié)果級聯(lián)為一個(gè)向量，作為一個(gè)樣本的最終表示；

其中，特征表示就是將一系列的初始特征描述子概括為一個(gè)向量，用這個(gè)單一向量來表示樣本序列，它能夠?qū)⒏呔S描述轉(zhuǎn)化為一個(gè)更易于處理的單一向量，這個(gè)向量就作為分類器的輸入，現(xiàn)有的特征表示方法有詞袋(Bag of Words，BoW)，PoT特征表示方法框架參見圖2。

首先，對于一個(gè)樣本，得到其初始特征描述，將每一幀的初始特征描述子定義為其中t表示為第t幀，PoT表示方法將V¹,V²,...V²³，定義為一系列時(shí)間序列：{f₁(t),...,f_D(t)}，也就是說，每一個(gè)時(shí)間序列f_i(t)即為第i個(gè)初始特征值，則其次，獲得時(shí)間序列的時(shí)間金字塔結(jié)構(gòu)：t^s＝2^1-l*(k-1)，t^e＝2^1-l*k，l∈{1,2,...,L}，k∈{1,2,...,2^l}，其中，L表示時(shí)間金字塔結(jié)構(gòu)的總層數(shù)，l表示當(dāng)前層，k表示當(dāng)前層的第幾個(gè)時(shí)間段，t^s表示一個(gè)時(shí)間段的起點(diǎn)，t^e表示一個(gè)時(shí)間段的終點(diǎn)。

最后，將多種池化方法應(yīng)用于每個(gè)金字塔時(shí)間結(jié)構(gòu)的每一個(gè)時(shí)間段[t^s,t^e]，本發(fā)明實(shí)施例應(yīng)用到的池化算子有最大池化(max pooling)，和池化(sum pooling)及兩種類型的梯度池化(gradient pooling)。

最大池化算子定義為：

和池化算子定義為：

除了以上兩種傳統(tǒng)的池化算子，還引入“時(shí)間序列梯度直方圖”池化的概念，來計(jì)算正梯度和負(fù)梯度的數(shù)量：

另外，還介紹了另一種算子，用于計(jì)算正梯度和負(fù)梯度的和值：

其中

上述公式中，表示在[t^s,t^e]時(shí)間段的正梯度算子，表示在[t^s,t^e]時(shí)間段的負(fù)梯度算子，表示在[t^s,t^e]時(shí)間段的另一種正梯度算子，表示在[t^s,t^e]時(shí)間段的另一種負(fù)梯度算子，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的正梯度值，表示在一定范圍內(nèi)時(shí)間點(diǎn)t的負(fù)梯度值。

經(jīng)過以上步驟后，得到最終表示形式為：

其中，表示在時(shí)間段內(nèi)將第j種池化算子應(yīng)用于第i個(gè)時(shí)間序列f_i(t)。最終表示是將多種池化算子應(yīng)用于多個(gè)時(shí)間段后的結(jié)果級聯(lián)起來，是一個(gè)向量的形式。

204：分別計(jì)算訓(xùn)練集和測試集的核矩陣，應(yīng)用支持向量機(jī)(support vector machine，SVM)作為分類器，并得到最終的預(yù)測結(jié)果。

其中，利用上一步203中最后得到的向量表示作為SVM的輸入數(shù)據(jù)，將輸入數(shù)據(jù)分為訓(xùn)練集和測試集，利用真實(shí)數(shù)據(jù)(ground truth)分別形成訓(xùn)練集和測試集的標(biāo)簽。SVM包括訓(xùn)練和預(yù)測兩個(gè)步驟。

首先，訓(xùn)練過程中，輸入為訓(xùn)練集標(biāo)簽，訓(xùn)練樣本向量表示和訓(xùn)練參數(shù)，輸出一個(gè)訓(xùn)練模型。

其次，預(yù)測過程中，輸入為測試集標(biāo)簽(用來計(jì)算準(zhǔn)確率)，測試樣本向量表示，預(yù)測參數(shù)和訓(xùn)練得到的訓(xùn)練模型，輸出為預(yù)測標(biāo)簽和準(zhǔn)確率。

其中，本發(fā)明實(shí)施例對上述數(shù)值的取值，不做限制，本發(fā)明實(shí)施例僅以23等為例進(jìn)行說明，具體實(shí)現(xiàn)時(shí)，根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)定。

綜上所述，本發(fā)明實(shí)施例避免了對序列的每一幀進(jìn)行分析，而是將整個(gè)序列在空域和時(shí)域上聯(lián)合作為整體，保留了幀與幀之間的時(shí)域關(guān)系，提高了序列分類預(yù)測結(jié)果，可以應(yīng)用于多種視頻序列內(nèi)容分析。

實(shí)施例3

下面結(jié)合具體的實(shí)驗(yàn)數(shù)據(jù)、附圖對實(shí)施例1和2中的方案進(jìn)行詳細(xì)介紹，詳見下文描述：

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共有16個(gè)序列，每個(gè)序列包含1013張圖片。

本實(shí)驗(yàn)使用的數(shù)據(jù)庫為由步驟1)提取的候選子序列，類別共兩類，正類和負(fù)類，正類為分裂事件，負(fù)類不是分裂事件。訓(xùn)練集是從序列2中提取的，共有1013個(gè)樣本，其中501個(gè)正樣本，512個(gè)負(fù)樣本；測試集為其他15個(gè)序列中提取的樣本，每個(gè)測試集包含512個(gè)負(fù)樣本和數(shù)量不等的正樣本。

根據(jù)以下公式求得Recall和Precision：

其中，Recall是查全率，Precision是查準(zhǔn)率，TP代表正確識別的樣本數(shù)，F(xiàn)N是漏檢測的樣本數(shù)，F(xiàn)P指錯(cuò)誤識別的樣本數(shù)。

在此基礎(chǔ)上定義F-score為：

上述三個(gè)指標(biāo)取值均在0到1之間，F(xiàn)-score的值越接近1則表示分類器性能越好。

實(shí)驗(yàn)中將本方法與以下四種方法進(jìn)行對比：

基于詞袋(Bag of Words，BoW)特征表示的SVM模型的細(xì)胞分裂識別方法；

基于基于(Hidden Conditional Random Field,HCRF)模型的細(xì)胞分裂識別方法；

基于層級化隨機(jī)場(Hierarchical Summarization of Random Field,HSRF)模型的細(xì)胞分裂識別方法；

基于隱狀態(tài)條件神經(jīng)場(Hidden-State Conditional Neural Fields,HSCNF)模型的細(xì)胞分裂識別方法；

由表1可知，本方法的細(xì)胞檢測性能明顯高于現(xiàn)有算法。

表1

這是因?yàn)楸痉椒軌蚓_捕捉初始特征描述子在相鄰幀間任何微小的變化，保留了幀之間的時(shí)域關(guān)系，更好地表征了序列。圖5表明，引入時(shí)間金字塔結(jié)構(gòu)，能夠?qū)r(shí)域信息表征地更加精細(xì)，當(dāng)層數(shù)為1時(shí)，表示不采用金字塔結(jié)構(gòu)，使用單一的時(shí)間結(jié)構(gòu)，當(dāng)層數(shù)為2時(shí)，識別結(jié)果明顯高于單一時(shí)間結(jié)構(gòu)，說明本方法的最終表示向量與時(shí)域信息密切相關(guān)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本方法的可行性與優(yōu)越性。

參考文獻(xiàn)：

[1]Li K,Miller E D,Chen M,et al.Computer vision tracking of stemness.5th IEEE International Symposium on Biomedical Imaging:From Nano to Macro,2008,2008:847-850.

[2]Siva P,Brodland G W,Clausi D.Automated detection of mitosis in embryonic tissues.Fourth Canadian Conference on Computer and Robot Vision,2007.CRV'07,2007:97-104.

[3]Yang F,Mackey M A,Ianzini F,et al.Cell segmentation,tracking,and mitosis detection using temporal context.Medical Image Computing and Computer-Assisted Intervention–MICCAI2005.Springer Berlin Heidelberg,2005:302-309.

[4]Al-Kofahi O,Radke R J,Goderie S K,et al.Report Automated Cell Lineage Construction.Cell Cycle,2006,5(3):327-335.

[5]Dzyubachyk O,van Cappellen W A,Essers J,et al.Advanced level-set-based cell tracking in time-lapse fluorescence microscopy.IEEE Transactions on Medical Imaging,2010,29(3):852-867.

[6]Yang F,Mackey M A,Ianzini F,et al.Cell segmentation,tracking,and mitosis detection using temporal context.Medical Image Computing and Computer-Assisted Intervention–MICCAI2005.Springer Berlin Heidelberg,2005:302-309.

[7]Eccles B A,Klevecz R R.Automatic digital image analysis for identification of mitotic cells in synchronous mammalian cell cultures.Analytical and quantitative cytology and histology/the International Academy of Cytology and American Society of Cytology,1986,8(2):138-147.

[8]Gallardo G M,Yang F,Ianzini F,et al.Mitotic cell recognition with hidden Markov models.Medical Imaging 2004.International Society for Optics and Photonics,2004:661-668.

[9]El-Labban A,Zisserman A,Toyoda Y,et al.Dynamic time warping for automated cell cycle labelling.Microscopic Image Analysis with Applications in Biology,2011.

[10]El-Labban A,Zisserman A,Toyoda Y,et al.Discriminative semi-markov models for automated mitotic phase labelling.2012 9th IEEE International Symposium on Biomedical Imaging(ISBI),2012:760-763.

[11]Huh S,Ker D F E,Bise R,et al.Automated mitosis detection of stem cell populations in phase-contrast microscopy images.IEEE Transactions on Medical Imaging,2011,30(3):586-596.

[12]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.IEEE Transactions on Medical Imaging,2012,31(2):359-369.

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)。