一種基于池化時間序列特征表示的細胞分裂事件識別方法技術

本發明專利技術公開了一種基于池化時間序列特征表示的細胞分裂事件識別方法，所述細胞分裂事件識別方法包括以下步驟：在樣本數據庫中，提取樣本相關特征，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時間序列，將多種池化算子應用于時間金字塔結構，將池化后的結果級聯為一個向量，作為樣本的最終表示；分別計算訓練集和測試集的核矩陣，應用支持向量機作為分類器，獲取最終的預測結果。本發明專利技術避免了對序列的每一幀進行分析，而是將整個序列在空域和時域上聯合作為整體，保留了幀與幀之間的時域關系，提高了序列分類預測結果，可以應用于多種視頻序列內容分析。

A cell splitting event recognition method based on pool time series feature representation

The invention discloses a pool based on time series feature representation of cell division event recognition method, the cell division event recognition method comprises the following steps: in the sample database, sample related features, will be set of all sample characteristics as the initial feature library; the initial feature matrix of each lateral dimension for one time series, a variety of pool operator applied to Pyramid time structure, will pool the results after the cascade as a vector, said as the final sample; nuclear matrix of the training set and test set were calculated. The application of support vector machine is used as classifier to obtain final prediction results. The invention avoids each frame of the sequence analysis, but the whole sequence as in space and time, retained the temporal relationship between frames, improve the prediction results of sequence classification, can be applied to a variety of video content analysis.

【技術實現步驟摘要】
一種基于池化時間序列特征表示的細胞分裂事件識別方法
本專利技術涉及細胞分裂事件檢測領域，尤其涉及一種基于池化時間序列特征表示的細胞分裂事件識別方法。
技術介紹
細胞生命規律的探索是生物醫學研究中的一個重要方面。為了實現人為可控的細胞培養，以解決醫學中的相關難題，為疾病的預防、診斷和治療服務，細胞工程應運而生。干細胞增殖期的有絲分裂行為分析是一項很重要的指標，比如在癌癥檢查的評估中，及組織工程學等領域，之前，這項工作只能依靠生物學家的人工注釋，工作量浩大，消耗大量的人力物力。為了解決高通量的細胞數據分析，提高效率，降低各方面的損耗，自動的細胞分裂事件檢測和定位就顯得十分迫切和必要。細胞分裂事件檢測是基于數字圖像處理、計算機視覺和機器學習等技術，借助于計算機處理技術，自動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胞分裂事件檢測技術主要分為三類：基于特征的方法、基于軌跡的方法和基于圖模型的方法。基于特征的方法通過對圖像序列的處理提取局部特征直接檢測細胞分裂狀態，Li等人[1]把細胞分裂事件當成時空域中一個局部事件來進行檢測，應用級聯分類器對三維Haar-like特征描述的圖像序列所構成的體積滑動窗口進行分類，Siva等人[2]直接利用時域信息描述細胞形變特征，此類方法依賴于大量的訓練數據且忽略了序列動態特征，缺乏檢測的特異性定位。基于軌跡的方法通常依賴于細胞跟蹤，在跟蹤得到細胞軌跡的基礎上，根據分裂過程中的細胞形態的變化或是母細胞與子細胞之間的幀關系，利用預定義的規則鑒別出發生分裂的細胞[3][4]，Dzyubachyk等人[5]進一步修改擴展了耦合活性表面算法，利用細胞遷移和增殖的多層集合提升了算法的魯棒性和適應性。Yang等人[6]通過基于水平集的細胞跟蹤方法完成細胞群落分離和細胞分裂識別，研究活體細胞圖像。因為細胞跟蹤本身就是一個極具挑戰性的任務，所以過于依賴跟蹤會使得識別定位的結果很難做到真實、準確。同時由于細胞分裂事件的發生是一個稀疏而分散的過程，通過逐幀跟蹤細胞來研究細胞分裂必將以高計算成本為代價，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擔，通過圖模型的學習直接完成細胞分裂的識別和定位。Ecodes等人[7]使用環形檢測來定位母細胞和兩個子細胞。Gallardo等人[8]基于細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行分類。El-Labban等人[9]利用動態時間規整(DynamicTimeWarping，DTW)根據參考信號調整樣本特征的時域信號完成細胞周期的自動標記，并在此基礎上進一步引入半馬爾科夫模型(Semi-MarkovModel，SMM)提高細胞周期標記的準確率[10]。Huh等人[11]提出了利用事件檢測條件隨機場(EventDetectionConditionalRandomField,EDCRF)模型同時識別和定位細胞分裂的方法。Liu等人[12]進一步將最大邊緣隱條件隨機場(HiddenConditionalRandomField,HCRF)模型與最大邊緣SMM相結合，加強對細胞分裂事件的識別力度的同時定位細胞分裂過程中的四個明顯階段。細胞分裂事件檢測領域目前面臨的主要挑戰為：1)特征描述：不同類型的細胞通常呈現不同的外觀且在分裂過程中會發生劇烈的形態學變化，但當前的底層視覺特征并不能夠有效描述細胞間的這些差異。2)模型學習：目前特征描述和模型學習都是單獨進行的，尚不清楚提取的視覺特征能否促進模型對序列結構的學習。3)跨域識別定位：由于不同種類細胞的個體或群體性差異，以及不同顯微鏡下所得到的細胞圖像的模式差異，使得細胞分裂狀態的表現存在極大不同。與此同時，細胞體外培養的難度依舊較大，且用于實驗研究的有效細胞數據很難獲取，目前可用于科學研究的細胞序列數據并不多見。
技術實現思路
本專利技術提供了一種基于池化時間序列特征表示的細胞分裂事件識別方法，本專利技術避免了對序列的每一幀進行分析，而是將整個序列在空域和時域上聯合作為整體，保留了幀與幀之間的時域關系，提高了序列分類預測結果，可以應用于多種視頻序列內容分析，詳見下文描述：一種基于池化時間序列特征表示的細胞分裂事件識別方法，所述細胞分裂事件識別方法包括以下步驟：在樣本數據庫中，提取樣本相關特征，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時間序列，將多種池化算子應用于時間金字塔結構，將池化后的結果級聯為一個向量，作為樣本的最終表示；分別計算訓練集和測試集的核矩陣，應用支持向量機作為分類器，獲取最終的預測結果。所述細胞分裂事件識別方法還包括：采集細胞候選子序列，將所有候選子序列定義為構成樣本數據庫。所述多種池化算子具體為：最大池化算子、和池化算子、以及引入時間序列梯度直方圖概念的池化算子。所述時間序列梯度直方圖概念的池化算子具體為：其中，表示在[ts,te]時間段的正梯度算子，表示在[ts,te]時間段的負梯度算子，表示在[ts,te]時間段的另一種正梯度算子，表示在[ts,te]時間段的另一種負梯度算子，表示在一定范圍內時間點t的正梯度值，表示在一定范圍內時間點t的負梯度值，∧為邏輯與。所述將池化后的結果級聯為一個向量，作為樣本的最終表示的步驟具體為：其中，表示在時間段內將第j種池化算子應用于第i個時間序列fi(t)。本專利技術提供的技術方案的有益效果是：1、本專利技術避免了對序列的每一幀進行分析，而是將整個序列在空域和時域上聯合作為整體，保留了幀與幀之間的時域關系；2、采用時間金字塔結構，使得序列的時域信息表征更加精細；3、池化時間序列表示(PooledTimeSeries，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為一種基于池化時間序列特征表示的細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成骨干細胞群落細胞的一幀圖像樣例；其中，本專利技術提取的樣本是從很多連續的幀分割然后按照時間順序拼接而成的。圖4為細胞候選子序列正負樣本樣例圖；(a)為正樣本；(b)為負樣本，從上到下分別為：只含背景；含有普通細胞；含有部分分裂期細胞。圖5為時間金字塔結構總層數L對識別結果的影響對比圖。具體實施方式為使本專利技術的目的、技術方案和優點更加清楚，下面對本專利技術實施方式作進一步地詳細描述。實施例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，本專利技術實施例提出了基于池化時間序列特征表示的細胞分裂事件識別方法，參見圖1，詳見下文描述：101：在樣本數據庫中，提取樣本相關特征，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時間序列，將多種池化算子應用于時間金字塔結構，將池化后的結果級聯為一個向量，作為樣本的最終表示；103：分別計算訓練集和測試集的核矩陣，應用支持向量機作為分類器，獲取最終的預測結果。其中，在步驟101之前，該細胞分裂事件識別方法還包括：采集細胞候選子序列，將所有候選子序列定義為構成樣本數據庫。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、以及引入時間序列梯度直方圖概念的池化算子。時間序列梯度直方圖概念的池化算子具體為：其中，表示在[ts,te]時間本文檔來自技高網...

【技術保護點】
一種基于池化時間序列特征表示的細胞分裂事件識別方法，其特征在于，所述細胞分裂事件識別方法包括以下步驟：在樣本數據庫中，提取樣本相關特征，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時間序列，將多種池化算子應用于時間金字塔結構，將池化后的結果級聯為一個向量，作為樣本的最終表示；分別計算訓練集和測試集的核矩陣，應用支持向量機作為分類器，獲取最終的預測結果。

【技術特征摘要】
1.一種基于池化時間序列特征表示的細胞分裂事件識別方法，其特征在于，所述細胞分裂事件識別方法包括以下步驟：在樣本數據庫中，提取樣本相關特征，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時間序列，將多種池化算子應用于時間金字塔結構，將池化后的結果級聯為一個向量，作為樣本的最終表示；分別計算訓練集和測試集的核矩陣，應用支持向量機作為分類器，獲取最終的預測結果。2.根據權利要求1所述的一種基于池化時間序列特征表示的細胞分裂事件識別方法，其特征在于，所述細胞分裂事件識別方法還包括：采集細胞候選子序列，將所有候選子序列定義為構成樣本數據庫。3.根據權利要求1所述的一種基于池化時間序列特征表示的細胞分裂事件識別方法，其特征在于，所述多種池化算子具體為：最大池化算子、和池化算子、以及引入時間序列梯度直方圖概念的池化算子。4.根據權利要求3所述的一種基于池化時間序列特征表示的細胞分裂事件識別方法，其特征在于，所述時間序列梯度直方圖概念的池化算子具體為：

【專利技術屬性】
技術研發人員：蘇育挺，王珊，劉安安，
申請(專利權)人：天津大學，
類型：發明
國別省市：天津,12