显微视频细胞分割与跟踪方法研究

发布时间：2017-07-01 06:04

  本文关键词：显微视频细胞分割与跟踪方法研究，，由笔耕文化传播整理发布。

【摘要】：医学中的大部分疾病都和细胞行为有关。细胞图像分割与细胞跟踪是研究细胞行为的重要手段。传统细胞行为的研究往往是基于人工的方式,不但需要大量的人力,而且在跟踪细胞过程中涉及细胞染色等化学操作,影响细胞的生理运动,从而影响跟踪结果。因此借助计算机视觉相关理论完成细胞图像分割与细胞跟踪对于研究细胞行为具有重要的意义。由于细胞场景中存在细胞聚集、消失与分裂等复杂状态,使得一些经典的图像分割方法和目标跟踪方法不能直接应用于细胞场景中。本文正是基于此对细胞图像分割和细胞跟踪方法进行研究。本文主要完成了以下工作:1)针对黏连细胞问题提出了一种基于多尺度log-filter(Laplace of Gaussian filter)的四阶段细胞图像分割方法。该方法主要涉及阈值法提取细胞区域;基于多尺度log-filter检测细胞中心;基于城市距离定位黏连细胞连接处,之后通过移除低灰度像素或者最近邻方法得到粗分割结果;最后,通过增加梯度约束项改进主动轮廓模型调整分割结果,使得分割结果更加接近细胞的真实边界。该方法在MCF-10A数据集上进行验证,能够得到较好的分割结果。2)为应对细胞分裂、消失、新生等复杂情况,将细胞跟踪问题转化为分类问题,分别实现了基于有监督学习和主动学习的细胞跟踪。该方法通过挖掘细胞特征,基于GBDT有监督学习训练,可以对未知样本取得很好的跟踪效果。针对目前细胞视频标记样本缺乏问题,采用主动学习的思想解决,通过制定筛选样本策略使得标记很少的样本就可以得到很高的正确率。3)PHD(Probability Hypothesis Density)滤波方法是基于随机有限集统计的滤波方法,能够跟踪数目变化的目标,因此适合应用于细胞场景中。本文通过分析显微视频图像中细胞的多个特征,提取细胞中心位置、灰度均值和局部场景图像熵三种特征,在状态空间中表征细胞的运动学特征和图像特征,用于自动化细胞跟踪。实验结果表明本文方法可以有效的同时跟踪多个细胞,与采用单独动力学特征的细胞跟踪相比具有更高的跟踪精度。
【关键词】：细胞分割 细胞检测 细胞跟踪 PHD滤波 主动学习 GBDT
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;R329.2
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题研究目的与意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 细胞分割国内外研究现状10-11
• 1.2.2 细胞跟踪国内外研究现状11-13
• 1.3 课题研究的主要内容及章节安排13-15
• 1.3.1 主要研究内容13-14
• 1.3.2 章节安排14-15
• 第2章 显微图像中的细胞检测与分割15-31
• 2.1 引言15
• 2.2 基于阈值的细胞区域提取15-19
• 2.2.1 全局阈值法16-17
• 2.2.2 局部阈值法17-19
• 2.3 基于多尺度Log-filter的细胞中心检测19-22
• 2.4 基于城市距离的细胞图像分割22-25
• 2.5 基于梯度约束的主动轮廓细胞图像分割25-28
• 2.5.1 主动轮廓模型25-26
• 2.5.2 改进的主动轮廓模型26-28
• 2.6 实验结果与分析28-30
• 2.7 本章小结30-31
• 第3章 基于监督学习和主动学习的细胞跟踪31-52
• 3.1 引言31-32
• 3.2 前后帧细胞关联特征分析32-40
• 3.2.1 细胞单体特征选择32-34
• 3.2.2 细胞场景特征选择34-40
• 3.3 基于有监督学习的细胞跟踪40-44
• 3.3.1 梯度提升树40-42
• 3.3.2 构造训练样本42-44
• 3.4 基于主动学习的细胞跟踪44-45
• 3.5 实验结果与分析45-51
• 3.5.1 实验数据45-46
• 3.5.2 有监督学习实验结果及分析46-50
• 3.5.3 主动学习实验结果及分析50-51
• 3.6 本章小结51-52
• 第4章 基于多特征PHD滤波的细胞跟踪52-67
• 4.1 引言52-53
• 4.2 基于PHD滤波的多目标跟踪方法53-59
• 4.2.1 PHD滤波53-54
• 4.2.2 PHD滤波的粒子滤波实现54-57
• 4.2.3 基于PHD滤波的目标状态关联57-59
• 4.3 结合灰度信息的细胞PHD滤波跟踪59-63
• 4.3.1 细胞状态向量的建立59-61
• 4.3.2 结合灰度特征的PHD滤波细胞跟踪算法61-63
• 4.4 实验结果与分析63-66
• 4.4.1 实验 1：MCF-10A数据集63-65
• 4.4.2 实验 2：DCellIQ数据集65-66
• 4.5 本章小结66-67
• 结论67-68
• 参考文献68-72
• 攻读硕士学位期间发表的论文及其它成果72-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 王启忠;预测跟踪方法及其误差分析[J];数值计算与计算机应用;1990年03期

2 张立吾,张玉琴;射线跟踪方法在蒙特卡罗计算中的应用[J];计算物理;1992年S1期

3 杨?,裴继红,杨万海;实时光点检测与跟踪方法研究[J];红外与毫米波学报;2001年04期

4 夏春艳;王敏杰;亓志斌;张伟;李树平;;话题识别与跟踪方法的研究[J];科技致富向导;2012年08期

5 龚荣;甄轶佳;;适用于疲劳驾驶检测的人眼跟踪方法研究[J];科技信息;2009年16期

6 潘德惠;模型识别中几种参数自适应跟踪方法的理论探讨[J];东北工学院学报;1979年01期

7 邱立坤;龙志yN;钟华;程葳;;层次化话题发现与跟踪方法及系统实现[J];广西师范大学学报(自然科学版);2007年02期

8 邹伟,原魁,刘晋东,杜清秀;一种基于双信息源的人手空间跟踪方法[J];高技术通讯;2003年02期

9 刘铁军,肖颖杰,史泽林;一种改进的区域相关跟踪方法[J];山东科技大学学报(自然科学版);2001年03期

10 刘斌;马晓川;侯朝焕;;基于卡尔曼滤波的单目标后续检测与跟踪方法[J];声学技术;2007年06期

中国重要会议论文全文数据库 前9条

1 王宁;陈常念;陈加忠;范晔斌;王冼;;标定环境下基于粒子滤波的行人跟踪方法[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年

2 刘勋;孟骧龙;毋立芳;;基于自适应对象模型的篮球运动跟踪方法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

3 罗诗途;张s

本文编号：504781