一种基于池化时间序列特征表示的细胞分裂事件识别方法技术

本发明专利技术公开了一种基于池化时间序列特征表示的细胞分裂事件识别方法，所述细胞分裂事件识别方法包括以下步骤：在样本数据库中，提取样本相关特征，将所有样本特征的集合定义为初始特征库；初始特征矩阵的每一横向维度为一个时间序列，将多种池化算子应用于时间金字塔结构，将池化后的结果级联为一个向量，作为样本的最终表示；分别计算训练集和测试集的核矩阵，应用支持向量机作为分类器，获取最终的预测结果。本发明专利技术避免了对序列的每一帧进行分析，而是将整个序列在空域和时域上联合作为整体，保留了帧与帧之间的时域关系，提高了序列分类预测结果，可以应用于多种视频序列内容分析。

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.

【技术实现步骤摘要】
一种基于池化时间序列特征表示的细胞分裂事件识别方法
本专利技术涉及细胞分裂事件检测领域，尤其涉及一种基于池化时间序列特征表示的细胞分裂事件识别方法。
技术介绍
细胞生命规律的探索是生物医学研究中的一个重要方面。为了实现人为可控的细胞培养，以解决医学中的相关难题，为疾病的预防、诊断和治疗服务，细胞工程应运而生。干细胞增殖期的有丝分裂行为分析是一项很重要的指标，比如在癌症检查的评估中，及组织工程学等领域，之前，这项工作只能依靠生物学家的人工注释，工作量浩大，消耗大量的人力物力。为了解决高通量的细胞数据分析，提高效率，降低各方面的损耗，自动的细胞分裂事件检测和定位就显得十分迫切和必要。细胞分裂事件检测是基于数字图像处理、计算机视觉和机器学习等技术，借助于计算机处理技术，自动识别和定位分裂事件的研究。目前，在显微镜图像序列下的细胞分裂事件检测技术主要分为三类：基于特征的方法、基于轨迹的方法和基于图模型的方法。基于特征的方法通过对图像序列的处理提取局部特征直接检测细胞分裂状态，Li等人[1]把细胞分裂事件当成时空域中一个局部事件来进行检测，应用级联分类器对三维Haar-like特征描述的图像序列所构成的体积滑动窗口进行分类，Siva等人[2]直接利用时域信息描述细胞形变特征，此类方法依赖于大量的训练数据且忽略了序列动态特征，缺乏检测的特异性定位。基于轨迹的方法通常依赖于细胞跟踪，在跟踪得到细胞轨迹的基础上，根据分裂过程中的细胞形态的变化或是母细胞与子细胞之间的帧关系，利用预定义的规则鉴别出发生分裂的细胞[3][4]，Dzyubachyk等人[5]进一步修改扩展了耦合活性表面算法，利用细胞迁移和增殖的多层集合提升了算法的鲁棒性和适应性。Yang等人[6]通过基于水平集的细胞跟踪方法完成细胞群落分离和细胞分裂识别，研究活体细胞图像。因为细胞跟踪本身就是一个极具挑战性的任务，所以过于依赖跟踪会使得识别定位的结果很难做到真实、准确。同时由于细胞分裂事件的发生是一个稀疏而分散的过程，通过逐帧跟踪细胞来研究细胞分裂必将以高计算成本为代价，显然这不是明智之举。基于图模型的方法减轻了跟踪方法的负担，通过图模型的学习直接完成细胞分裂的识别和定位。Ecodes等人[7]使用环形检测来定位母细胞和两个子细胞。Gallardo等人[8]基于细胞形状和外观特征采用了隐马尔科夫模型来对候选序列进行分类。El-Labban等人[9]利用动态时间规整(DynamicTimeWarping，DTW)根据参考信号调整样本特征的时域信号完成细胞周期的自动标记，并在此基础上进一步引入半马尔科夫模型(Semi-MarkovModel，SMM)提高细胞周期标记的准确率[10]。Huh等人[11]提出了利用事件检测条件随机场(EventDetectionConditionalRandomField,EDCRF)模型同时识别和定位细胞分裂的方法。Liu等人[12]进一步将最大边缘隐条件随机场(HiddenConditionalRandomField,HCRF)模型与最大边缘SMM相结合，加强对细胞分裂事件的识别力度的同时定位细胞分裂过程中的四个明显阶段。细胞分裂事件检测领域目前面临的主要挑战为：1)特征描述：不同类型的细胞通常呈现不同的外观且在分裂过程中会发生剧烈的形态学变化，但当前的底层视觉特征并不能够有效描述细胞间的这些差异。2)模型学习：目前特征描述和模型学习都是单独进行的，尚不清楚提取的视觉特征能否促进模型对序列结构的学习。3)跨域识别定位：由于不同种类细胞的个体或群体性差异，以及不同显微镜下所得到的细胞图像的模式差异，使得细胞分裂状态的表现存在极大不同。与此同时，细胞体外培养的难度依旧较大，且用于实验研究的有效细胞数据很难获取，目前可用于科学研究的细胞序列数据并不多见。
技术实现思路
本专利技术提供了一种基于池化时间序列特征表示的细胞分裂事件识别方法，本专利技术避免了对序列的每一帧进行分析，而是将整个序列在空域和时域上联合作为整体，保留了帧与帧之间的时域关系，提高了序列分类预测结果，可以应用于多种视频序列内容分析，详见下文描述：一种基于池化时间序列特征表示的细胞分裂事件识别方法，所述细胞分裂事件识别方法包括以下步骤：在样本数据库中，提取样本相关特征，将所有样本特征的集合定义为初始特征库；初始特征矩阵的每一横向维度为一个时间序列，将多种池化算子应用于时间金字塔结构，将池化后的结果级联为一个向量，作为样本的最终表示；分别计算训练集和测试集的核矩阵，应用支持向量机作为分类器，获取最终的预测结果。所述细胞分裂事件识别方法还包括：采集细胞候选子序列，将所有候选子序列定义为构成样本数据库。所述多种池化算子具体为：最大池化算子、和池化算子、以及引入时间序列梯度直方图概念的池化算子。所述时间序列梯度直方图概念的池化算子具体为：其中，表示在[ts,te]时间段的正梯度算子，表示在[ts,te]时间段的负梯度算子，表示在[ts,te]时间段的另一种正梯度算子，表示在[ts,te]时间段的另一种负梯度算子，表示在一定范围内时间点t的正梯度值，表示在一定范围内时间点t的负梯度值，∧为逻辑与。所述将池化后的结果级联为一个向量，作为样本的最终表示的步骤具体为：其中，表示在时间段内将第j种池化算子应用于第i个时间序列fi(t)。本专利技术提供的技术方案的有益效果是：1、本专利技术避免了对序列的每一帧进行分析，而是将整个序列在空域和时域上联合作为整体，保留了帧与帧之间的时域关系；2、采用时间金字塔结构，使得序列的时域信息表征更加精细；3、池化时间序列表示(PooledTimeSeries，PoT)框架适用于任何类型的单帧特征描述子，具有广泛的适用性。附图说明图1为一种基于池化时间序列特征表示的细胞分裂事件识别方法的流程图；图2为PoT表示方法框架图；图3为C2C12成骨干细胞群落细胞的一帧图像样例；其中，本专利技术提取的样本是从很多连续的帧分割然后按照时间顺序拼接而成的。图4为细胞候选子序列正负样本样例图；(a)为正样本；(b)为负样本，从上到下分别为：只含背景；含有普通细胞；含有部分分裂期细胞。图5为时间金字塔结构总层数L对识别结果的影响对比图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实施例1研究表明：捕捉初始特征描述子在每一帧之间的变化信息使得对于序列的研究更加精细，本专利技术实施例提出了基于池化时间序列特征表示的细胞分裂事件识别方法，参见图1，详见下文描述：101：在样本数据库中，提取样本相关特征，将所有样本特征的集合定义为初始特征库；102：初始特征矩阵的每一横向维度为一个时间序列，将多种池化算子应用于时间金字塔结构，将池化后的结果级联为一个向量，作为样本的最终表示；103：分别计算训练集和测试集的核矩阵，应用支持向量机作为分类器，获取最终的预测结果。其中，在步骤101之前，该细胞分裂事件识别方法还包括：采集细胞候选子序列，将所有候选子序列定义为构成样本数据库。其中，步骤102中的多种池化算子具体为：最大池化算子、和池化算子、以及引入时间序列梯度直方图概念的池化算子。时间序列梯度直方图概念的池化算子具体为：其中，表示在[ts,te]时间本文档来自技高网...

【技术保护点】
一种基于池化时间序列特征表示的细胞分裂事件识别方法，其特征在于，所述细胞分裂事件识别方法包括以下步骤：在样本数据库中，提取样本相关特征，将所有样本特征的集合定义为初始特征库；初始特征矩阵的每一横向维度为一个时间序列，将多种池化算子应用于时间金字塔结构，将池化后的结果级联为一个向量，作为样本的最终表示；分别计算训练集和测试集的核矩阵，应用支持向量机作为分类器，获取最终的预测结果。

【技术特征摘要】
1.一种基于池化时间序列特征表示的细胞分裂事件识别方法，其特征在于，所述细胞分裂事件识别方法包括以下步骤：在样本数据库中，提取样本相关特征，将所有样本特征的集合定义为初始特征库；初始特征矩阵的每一横向维度为一个时间序列，将多种池化算子应用于时间金字塔结构，将池化后的结果级联为一个向量，作为样本的最终表示；分别计算训练集和测试集的核矩阵，应用支持向量机作为分类器，获取最终的预测结果。2.根据权利要求1所述的一种基于池化时间序列特征表示的细胞分裂事件识别方法，其特征在于，所述细胞分裂事件识别方法还包括：采集细胞候选子序列，将所有候选子序列定义为构成样本数据库。3.根据权利要求1所述的一种基于池化时间序列特征表示的细胞分裂事件识别方法，其特征在于，所述多种池化算子具体为：最大池化算子、和池化算子、以及引入时间序列梯度直方图概念的池化算子。4.根据权利要求3所述的一种基于池化时间序列特征表示的细胞分裂事件识别方法，其特征在于，所述时间序列梯度直方图概念的池化算子具体为：

【专利技术属性】
技术研发人员：苏育挺，王珊，刘安安，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12