本發(fā)明涉及有絲分裂事件檢測領(lǐng)域，尤其涉及一種基于支持向量機(jī)排序的有絲分裂定位和識別的方法。

背景技術(shù)：

細(xì)胞作為生命體最基本的結(jié)構(gòu)和功能單元，其增殖行為一直是生物醫(yī)學(xué)領(lǐng)域各專業(yè)(分子生物學(xué)、遺傳學(xué)、腫瘤生物學(xué)、免疫學(xué)、藥理和藥代動力學(xué))的研究熱點。細(xì)胞增殖是生物體的重要生命特征，細(xì)胞增殖是生物體生長、發(fā)育、繁殖和遺傳的基礎(chǔ)，細(xì)胞以分裂的方式進(jìn)行增殖。細(xì)胞分裂是一個細(xì)胞分裂為兩個細(xì)胞的過程，分裂前的細(xì)胞稱母細(xì)胞，分裂后的細(xì)胞稱子細(xì)胞，無論是單細(xì)胞的生物還是多細(xì)胞的生物，每個細(xì)胞都必須進(jìn)行生長和分裂，通過分裂將復(fù)制的遺傳物質(zhì)均等地分配到兩個子細(xì)胞中，保證了遺傳物質(zhì)的穩(wěn)定。

對細(xì)胞增殖行為的研究必須在活細(xì)胞水平上進(jìn)行，常用的細(xì)胞活性的判別方法有兩種：一種是利用變色的生化反應(yīng)的可定量檢測；另一種是根據(jù)顯微圖像由試驗人員做定性估量^[1]。隨著現(xiàn)代光學(xué)顯微鏡技術(shù)，光電轉(zhuǎn)化技術(shù)以及現(xiàn)代計算機(jī)圖像處理技術(shù)等多學(xué)科的發(fā)展，誕生了細(xì)胞顯微圖像分析技術(shù)。顯微圖像分析是指利用數(shù)字圖像處理和機(jī)器學(xué)習(xí)技術(shù)對顯微細(xì)胞圖像進(jìn)行定量分析和病變診斷^[2]。準(zhǔn)確地識別和定位細(xì)胞分裂事件是進(jìn)行細(xì)胞增殖行為研究的基礎(chǔ)。細(xì)胞增殖研究初期的細(xì)胞群落規(guī)模小，培養(yǎng)周期短，通過人工標(biāo)定的方法就可以完成對細(xì)胞分裂事件的檢測和定位，但是隨著研究的深入，細(xì)胞體外培養(yǎng)的群落規(guī)模不斷增大，培養(yǎng)時間逐漸變長，采用人工標(biāo)定的方法便顯得費時費力，此時，利用顯微圖像分析技術(shù)通過計算機(jī)來自動，準(zhǔn)確地完成對細(xì)胞分裂事件的識別就顯得尤為重要了。

處于分裂期的細(xì)胞具有顯著的形態(tài)特征，細(xì)胞的形態(tài)特征最直觀地反映了細(xì)胞分裂所處的不同生命周期，并展現(xiàn)出明顯的四個階段^[3]：第一階段，分裂的細(xì)胞在形態(tài)上會收縮，變圓；第二階段，相差顯微鏡下細(xì)胞邊緣與內(nèi)部區(qū)域的亮度對比呈現(xiàn)明顯反差，周邊光暈會變強(qiáng)；第三階段，細(xì)胞形態(tài)會呈現(xiàn)“8”字形狀；第四階段，細(xì)胞分裂成兩個完全相同的子細(xì)胞。對細(xì)胞分裂事件的識別就是通過細(xì)胞連續(xù)時間內(nèi)的顯著性特征，來識別細(xì)胞分裂事件。顯微圖像序列中有絲分裂事件的識別方法通常分為兩類：基于局部顯著性的方法和基于時間上下文的方法。

常用的基于局部顯著性的方法有，利用環(huán)形檢測器來定位母細(xì)胞和兩個子細(xì)胞^[4]；通過細(xì)胞核的形狀和紋理特征來對細(xì)胞分裂階段進(jìn)行識別；或者把細(xì)胞分裂事件當(dāng)成時空域中一個局部事件來進(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)成的體積滑動窗口進(jìn)行分類^[5]，這種基于局部顯著特征的方法只需用一個訓(xùn)練好的分類器對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，但是這類方法依賴大量的訓(xùn)練數(shù)據(jù)并且忽略了序列的時序動態(tài)特征。

為了克服上述方法的缺點，提出了基于時間上下文的方法來提取細(xì)胞軌跡并且利用預(yù)定義的規(guī)則鑒別出發(fā)生分裂的細(xì)胞。常用的基于時間上下文的方法有，利用顯微圖像預(yù)處理和體積分割方法來定位輸入圖像序列中潛在發(fā)生有絲分裂的時空子域，提取候選子序列，基于細(xì)胞形狀和外觀特征的時間模式，通過隱馬爾可夫模型(thehiddenmarkovmodel,hmm)來對候選序列進(jìn)行分類^[6]；在此基礎(chǔ)之上，為了實現(xiàn)對有絲分裂事件的識別，已經(jīng)對有絲分裂事件的時序動態(tài)建模做了很多工作，其中包括，利用事件檢測條件隨機(jī)場(theevent-detectionconditionalrandomfield,edcrf)模型來對有絲分裂事件進(jìn)行同步檢測和識別^[7]；通過整合最大邊緣隱條件隨機(jī)場(thehiddenconditionalrandomfield,hcrf)和最大邊緣半馬爾可夫模型以優(yōu)化分類結(jié)果，并進(jìn)一步定位在有絲分裂過程中的四個顯著階段^[3]；利用隱條件隨機(jī)場(thehiddenconditionalrandomfield,hcrf)分類器來判斷每個候選子序列是否包含有絲分裂事件^[8]；以及新近提出的通過訓(xùn)練隱狀態(tài)條件神經(jīng)場(thehiddenstateconditionalneuralfield,hscnf)分類器來完成對候選子序列的分類^[9]，并取得了相當(dāng)好的效果。上面提出的這些方法都是通過每幀圖像上的細(xì)胞形狀和外貌特征，來訓(xùn)練隱含時序動態(tài)信息的模型以捕捉事件的發(fā)生和事件在持續(xù)時間內(nèi)的演變情況，但是分裂事件在分裂過程中隱含了劇烈的變化，通過分類器來捕捉這些變化，大大降低了潛在時序模型的性能。

細(xì)胞分裂事件的識別當(dāng)前主要存在的問題是：

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，目前特征描述和模型學(xué)習(xí)都是單獨進(jìn)行的，對視覺特征和模型的適應(yīng)性并未做過多的研究，而且鮮有學(xué)者提出對細(xì)胞分裂的各個階段進(jìn)行定位的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于支持向量機(jī)排序的有絲分裂定位和識別的方法，本發(fā)明避免了訓(xùn)練隱含時序模型的過程，提出了一種能夠有效表征候選子序列中每一幀所包含的外觀特征和時序特征，提高了識別的準(zhǔn)確率，詳見下文描述：

一種基于支持向量機(jī)排序的有絲分裂定位和識別的方法，所述方法包括以下步驟：

對候選子序列的每一幀圖像分別提取hog、sift以及gist三種視覺特征向量，將提取的視覺特征向量串聯(lián)作為候選子序列的視覺特征；

對視覺特征利用svm-rank方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為對象幀特征向量；

將整合后的具有時序性的特征向量作為圖像序列每一幀特征，該特征表征了對象幀所包含的時序信息；

在排序的特征向量上訓(xùn)練線性svm分類器來預(yù)測每一幀的階段標(biāo)簽，獲取每個階段的起始幀位置、以及幀數(shù)目；

若某序列包含完整的四個階段，并且滿足四個階段間的順序信息，那么該序列包含了一個分裂事件。

所述方法還包括：

對采集的細(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提取候選子序列。

所述整合具體為：

通過訓(xùn)練一個線性排序機(jī)，將圖像序列中每一幀所包含的歷史時序特征做整合。

所述對視覺特征利用svm-rank方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為對象幀特征向量的步驟具體為：

將學(xué)習(xí)到的最優(yōu)參數(shù)ut作為候選子序列中第t幀的特征，用于表征第t幀所包含的時序信息。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、通過將一個排序函數(shù)學(xué)到的參數(shù)作為對象幀的特征向量，該向量能很好地捕捉該幀所包含的外觀特征和時序特征；

2、完成了對候選序列中每一幀的階段性定位；

3、提高了識別的準(zhǔn)確率，簡單高效并且易于實現(xiàn)。

附圖說明

圖1為一種基于支持向量機(jī)排序的有絲分裂定位和識別的方法的流程圖；

圖2為一個候選序列的識別框架；

圖3為一個貼有階段標(biāo)簽的候選子序列樣例；

圖4為利用svm-rank計算候選序列中每一幀特征的框圖。

具體實施方式

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

為了解決以上問題，需要提出一種新的特征(利用svm-rank)，其能夠有效表征候選子序列中每一幀所包含的外觀特征和時序信息，再對新特征進(jìn)行建模，以準(zhǔn)確判定候選子序列中每一幀所處的階段，結(jié)合有絲分裂的階段性特征，便可實現(xiàn)對有絲分裂事件的識別。

實施例1

本發(fā)明實施例提出了一種基于支持向量機(jī)排序的有絲分裂定位和識別的方法，參見圖1和圖2，詳見下文描述：

101：對候選子序列的每一幀圖像分別提取hog、sift以及gist三種視覺特征向量，將提取的視覺特征向量串聯(lián)作為候選子序列的視覺特征；

102：對視覺特征利用svm-rank方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為對象幀特征向量；

103：將整合后的具有時序性的特征向量作為圖像序列每一幀特征，該特征表征了對象幀所包含的時序信息；

104：在排序的特征向量上訓(xùn)練線性svm分類器來預(yù)測每一幀的階段標(biāo)簽，獲取每個階段的起始幀位置、以及幀數(shù)目；

105：若某序列包含完整的四個階段，并且滿足四個階段間的順序信息，那么該序列包含了一個分裂事件。

其中，上述四個階段具體為：第一階段，分裂的細(xì)胞在形態(tài)上會收縮，變圓；第二階段，相差顯微鏡下細(xì)胞邊緣與內(nèi)部區(qū)域的亮度對比呈現(xiàn)明顯反差，周邊光暈會變強(qiáng)；第三階段，細(xì)胞形態(tài)會呈現(xiàn)“8”字形狀；第四階段，細(xì)胞分裂成兩個完全相同的子細(xì)胞。

綜上所述，本發(fā)明實施例通過上述步驟101-步驟105提出了一種能夠有效表征候選子序列中每一幀所包含的外觀特征和時序特征的方法，不但簡單高效，易于實現(xiàn)，而且在完成了對候選序列的階段性定位的同時，提高了識別的準(zhǔn)確率。

實施例2

下面結(jié)合具體的實例對實施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見下文描述：

201：對采集的細(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^[3]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空子域，這使得搜索空間從整個圖像序列縮小到了候選子序列。

為了便于實驗的進(jìn)行和比較，本發(fā)明實施例提取的候選子序列大小都為50×50×23(每個序列包含23個連續(xù)幀塊，每個塊的大小為50×50像素)。對于候選子序列中的每一幀處于第一階段的貼標(biāo)簽為1，第二階段的貼標(biāo)簽為2，第三個階段的貼標(biāo)簽為3，第四階段的貼標(biāo)簽為4，如圖3所示。

202：對候選子序列的每一幀圖像分別提取hog、sift以及gist三種視覺特征向量，將提取的視覺特征向量串聯(lián)作為候選子序列的視覺特征；

將每個候選序列中的一個塊轉(zhuǎn)換成一個特征向量，反映了相差圖像中有絲分裂的視覺特征。本發(fā)明實施例選用了方向梯度直方圖特征(histogramoforientedgradients，hog)能夠捕獲局部形狀的邊緣或梯度結(jié)構(gòu)特征，把每個圖像塊分割為8×8像素的單元，把梯度方向平均劃分為9個區(qū)間，在每個單元格里面對所有像素的梯度方向在各個方向區(qū)間進(jìn)行直方圖統(tǒng)計，得到一個9維的特征向量，每相鄰的4個單元構(gòu)成一個塊(16×16像素)，把一個塊內(nèi)的特征向量串聯(lián)起來得到36維的特征向量，用塊樣本對圖像塊(50×50像素)進(jìn)行掃描，掃描步長為8個單元，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(scaleinvariantfeaturetransform，sift)在圖像局部特征點提取之后，利用梯度統(tǒng)計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附近的局部圖像信息。

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

gist特征，包括視覺對場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，它的提取過程避免了對單個目標(biāo)或區(qū)域進(jìn)行分割等處理，是一種基于場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，隨后利用不同方向和空間分辨率的gabor濾波器對圖像進(jìn)行濾波(卷積操作)，最后得到圖像的gist特征。本發(fā)明實施例在對圖像序列提取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、各尺度的每個網(wǎng)格內(nèi)取均值放在一個向量中，得到圖像的180維gist特征向量。

203：對包括對象幀及其以前的所有幀，利用svm-rank方法，將學(xué)習(xí)到的排序函數(shù)的參數(shù)向量作為對象幀的特征向量，該向量有效表征了對象幀所包含的時序信息；

對于一個序列x＝{x1,x2,...,xt,...,xn}由n幀連續(xù)圖像塊組成，xt∈r^d表示從第t幀圖像塊所提取的視覺特征向量，r為實數(shù)，d為特征維度。受時間序列的啟發(fā)，相鄰幀之間必然存在一個相對的順序約束(至少是時間約束)，由此可以得到：vt＞…vp…＞v1，v1、vp、vt滿足時間節(jié)點(1＜p＜t)。

按照成對線性排序機(jī)來對這種順序約束建模，定義一個由參數(shù)ut表征的線性函數(shù)：

ψ(v；ut)＝ut^t.v

其中，ut為時間t內(nèi)的時序特征；v為1:t的視覺特征；t表示轉(zhuǎn)置。

通過排序問題的優(yōu)化學(xué)習(xí)來計算參數(shù)ut，使得ut滿足

其中，ti,tj分別為圖像序列中的ti,tj塊，為對前ti個視覺特征向量進(jìn)行排序所得的特征向量，為對前tj個視覺特征向量進(jìn)行排序所得的特征向量，利用svm-rank^[10]來學(xué)習(xí)排序問題，使其滿足最大間隔，同時避免過擬合，那么可以得到下面的優(yōu)化問題：

σij≥0

其中，c是一個參數(shù)，控制目標(biāo)函數(shù)中兩項(“尋找間隔最大的超平面”和“保證數(shù)據(jù)點偏差量最小”)之間的權(quán)重；σij為松弛變量，對應(yīng)數(shù)據(jù)點允許偏離的函數(shù)間隔的量。

將學(xué)習(xí)到的最優(yōu)參數(shù)ut作為第t幀的特征，由于排序函數(shù)ψ對時間均值向量v(表示1:t幀的視覺特征)作了排序，因此ut能夠捕捉到第t幀所包含的外觀特征及其時序信息。不同幀的時序信息是不一樣的，因此不同幀能夠得到不同的排序函數(shù)，這表示排序函數(shù)具有幀特異性，因此表征排序函數(shù)的參數(shù)ut能夠表征候選序列中第t幀所包含的時序信息。圖4描述了利用svm-rank來提取特征ut的過程。

204：在新特征上訓(xùn)練支持向量機(jī)svm分類器，判斷候選子序列中每一幀所處的階段；根據(jù)一個序列中每一幀的階段屬性，找到每個階段的起始幀位置，結(jié)合有絲分裂事件的階段性特征來判斷該序列是否是有絲分裂事件，得到最終的識別結(jié)果。

對于候選子序列中的每一幀，都得到了其時序特征，那么在新特征上訓(xùn)練svm分類器，得出候選子序列中每一幀所處的階段，據(jù)此，得出候選子序列各個階段的起始幀位置，每個階段所包含的幀數(shù)信息。

判斷一個候選子序列為分裂事件的兩個條件：1)一個分裂事件必須包含完整的四個階段；2)對于一個分裂事件的四個階段是有先后順序的：第一階段，第二階段，第三階段然后是第四階段；只有這兩個條件都滿足才能將一個候選子序列判斷為分裂事件。

綜上所述，本發(fā)明實施例通過上述步驟201-步驟205提出了一種能夠有效表征候選子序列中每一幀所包含的外觀特征和時序特征的方法，不但簡單高效，易于實現(xiàn)，而且在完成了對候選序列的階段性定位的同時，提高了識別的準(zhǔn)確率。

實施例3

下面結(jié)合具體的實驗數(shù)據(jù)對實施例1和2中的方案進(jìn)行可行性驗證，詳見下文描述：

本實驗使用的數(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(dulbecco'smodifiedeaglemedium)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zeissaxiovert135tv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標(biāo)注細(xì)胞分裂事件。對于每個細(xì)胞分裂事件，標(biāo)注者以兩個子細(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個圖像塊構(gòu)成一個候選子序列，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。對于候選子序列中的正例，手動添加階段標(biāo)簽(第一階段標(biāo)簽為1，第二階段標(biāo)簽為2，第三階段標(biāo)簽為3，第4階段標(biāo)簽為4)。

實驗中使用序列2的501個正例作為訓(xùn)練集，序列1的452個正例和序列2的512個負(fù)例作為測試集。

計算判對的正例(truepositive,tp)，判對的負(fù)例(truenegative,tn)，判錯的正例(falsepositive,fp)，判錯的負(fù)例(falsenegative,fn)四個量，然后依此計算：

三個定量指標(biāo)來評估對分裂事件的識別性能，其中precision是查準(zhǔn)率，recall是查全率，f1score是precision和recall的加權(quán)調(diào)和平均。

定位細(xì)胞分裂階段時，采用平均偏差來評估分裂事件的定位性能：

實驗中將本方法的識別結(jié)果與以下方法進(jìn)行對比，如表1所示：

表1

hcrf^[8](hiddenconditionalrandomfields)，又稱“基于隱條件隨機(jī)場的分裂事件識別”；

hscnf^[9](celltype-independentmitosiseventdetectionviahidden-stateconditionalneuralfields)，又稱“基于隱狀態(tài)條件隨機(jī)場的分裂事件識別”。

edcrf^[7](eventdetectionconditionalrandomfield)，又稱“事件檢測條件隨機(jī)場”。

試驗中將本方法的階段定位平均偏差與以下方法進(jìn)行對比：如表2：

表2

ldcrf^[11](automaticcellcyclelocalizationusinglatent-dynamicconditionalrandomfields)，又稱“基于隱動態(tài)條件隨機(jī)場的細(xì)胞階段定位”。

通過表2可以看出，本發(fā)明提出的方法能準(zhǔn)確定位細(xì)胞分裂中的各個階段，相較于其他的方法，對階段3的定位準(zhǔn)確率大大提高了，這大大提升了識別性能(如表1)。

參考文獻(xiàn)：

[1]熊建文,陳麗,劉明勝,等.基于形態(tài)學(xué)特征的細(xì)胞活性無損檢測新方法研究[j].光電子·激光,2005,16(12):1514-1519.

[2]bhaskarh,singhs.livecellimaging:acomputationalperspective[j].journalofreal-timeimageprocessing,2007,1(3):195-212.

[3]liuaa,lik,kanadet.asemi-markovmodelformitosissegmentationintime-lapsephasecontrastmicroscopyimagesequencesofstemcellpopulations[j].ieeetransactionsonmedicalimaging,2012,31(2):359-369.

[4]ecclesba,kleveczrr.automaticdigitalimageanalysisforidentificationofmitoticcellsinsynchronousmammaliancellcultures.[j].analyticalandquantitativecytologyandhistology/theinternationalacademyofcytology[and]americansocietyofcytology,1986,8(2):138-147.

[5]lik,millered,chenm,etal.computervisiontrackingofstemness[c]//ieeeinternationalsymposiumonbiomedicalimaging:fromnanotomacro.ieee,2008:847-850.

[6]gallardogm,yangf,ianzinif,etal.mitoticcellrecognitionwithhiddenmarkovmodels[j].proceedingsofspie-theinternationalsocietyforopticalengineering,2004,5367:661-668.

[7]huhs,kerdf,biser,etal.automatedmitosisdetectionofstemcellpopulationsinphase-contrastmicroscopyimages.[j].medicalimagingieeetransactionson,2011,30(3):586.

[8]quattonia,wangs,morencylp,etal.hiddenconditionalrandomfields[j].ieeetransactionsonpatternanalysis&machineintelligence,2007,29(10):1848-1852.

[9]suy,yuj,liua,etal.celltype-independentmitosiseventdetectionviahidden-stateconditionalneuralfields[c]//ieee,internationalsymposiumonbiomedicalimaging.ieee,2014:222-225.

[10]joachimst.traininglinearsvmsinlineartime[c]//twelfthacmsigkddinternationalconferenceonknowledgediscoveryanddatamining,philadelphia,pa,usa,august.2015:217-226.

[11]zhangj,lip,yuj,etal.automaticcellcyclelocalizationusinglatent-dynamicconditionalrandomfields[m]//theproceedingsofthethirdinternationalconferenceoncommunications,signalprocessing,andsystems.springerinternationalpublishing,2015:557-564.

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

以上所述僅為本發(fā)明的較佳實施例，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)。