一种基于深度学习与蚁群算法的细胞跟踪技术方法技术

本发明专利技术属于细胞跟踪技术领域，尤其为提出一种基于深度学习与蚁群算法的细胞跟踪方法，通过深度学习的方式对多细胞进行准确检测，蚁群算法与卡尔曼滤波的双重判断避免了由于细胞不规则运动导致的目标丢失，并对存在复杂行为的细胞做出准确的判断。本发明专利技术采用质心信息与轮廓信息综合考虑的蚁群算法成本公式，在帧间匹配时不仅考虑质心坐标位置，也考虑了细胞形态信息，在细胞发生复杂行为时实现更准确的跟踪效果；基于yolov7的目标检测方法，马赛克增强的数据增强方式使得跟踪系统对于同类的大小目标都有很好的检测效果，不会因为显微镜倍数的调整而降低性能；采用yolov7与U

【技术实现步骤摘要】
一种基于深度学习与蚁群算法的细胞跟踪技术方法


[0001]本专利技术涉及细胞跟踪
，具体为一种基于深度学习与蚁群算法的细胞跟踪技术方法。

技术介绍

[0002]细胞作为人体的基本组成单元，一切生命体的活动都离不开细胞的增殖，分化和迁移，研究者们也希望通过细胞跟踪的方式，准确追溯病变细胞的谱系关系，从而判断病变原因。细胞跟踪技术是现代医学领域的产物，传统的细胞跟踪技术需要操作人员通过肉眼对显微镜进行观测，长时间，高成本的方式在大大浪费劳动力的同时容易导致细胞跟踪结果的不准确以及产生简单枯燥的工作带来的负面影响。为克服人工操作带来的缺点，研究一种全自动的细胞跟踪算法代替传统的人工细胞跟踪操作，具有重大的研究意义。
[0003]细胞跟踪的目标就是完整的跟踪细胞的全部运动行为，包括细胞的移动，增殖，移入移出事件等，由于细胞的难以观测和难以预测性，实现细胞跟踪面临着种种困难：1.由于细胞图像序列需要长时间的采集，采集过程中的光照不均，设备抖动等情况直接导致难以获取合适的图像序列数据集；2.单个细胞尺寸对比整张显微图像太小，图像的信噪比太低，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：包括以下步骤：S1、对显微镜下的细胞图像序列运用labellmg进行标注，标注名称为相应的细胞类别名，存储格式选用yolo格式；S2、将标注好的细胞图像序列传送给yolov7网络进行训练，得到最优的目标检测权重，同时对yolov7网络进行修改，使得其更适用于医学图像领域并输出检测框的中心点坐标；S3、使用labelme对yolov7得到的目标检测框进行标注，将标注好的细胞分割数据集传送给U
‑
Net网络进行训练，从而得到各目标检测框中细胞的准确分割图像，并记录细胞面积、细胞偏心率轮廓信息；S4、建立蚁群算法的成本函数，基于细胞轮廓信息、细胞移动距离和全局移动路径信息，建立多蚁群细胞跟踪方法(MACT)，从而通过蚁群算法得到既定观测下的细胞移动轨迹；S5、基于MACT算法将蚁群跟踪算法未能成功跟踪的细胞标记为异常细胞，进入异常处理模块；S6、在MACT算法中引入卡尔曼滤波，通过对历史信息的推断预测细胞移动方向并加预测概率等效成蚁群算法的信息素融入到后续的细胞跟踪中，综合考虑了细胞历史数据中的速度，加速度，以及位移信息，得到合理的预测值，将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，得到最终的细胞跟踪轨迹；S7、通过MACT中蚁群算法的轨迹重塑功能，对现有跟踪轨迹进行进一步优化处理；S8、循环步骤S4到步骤S7从初始帧判断到最后一帧图像，至此完成对所有细胞的跟踪。2.根据权利要求1所述的一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：所述步骤S4中建立蚁群算法的成本函数，根据细胞轮廓信息、细胞移动距离和全局移动路径信息，包括：建立蚁群算法的成本函数cost如下：Cost(I，j)＝αD(I，j)+βE(I，j)+γA(I，j)其中，I表示当前帧检...

【专利技术属性】
技术研发人员：许红梅，马达，郑越，何泽，孙浩，杨金鑫，黄浩然，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：