基于卡尔曼滤波器的神经元干细胞序列图像中活跃细胞的追踪

摘要

在光学显微镜成像的时间序列细胞图像的多细胞追踪系统中，对于活跃细胞的准确预测、追踪是一个尚未解决的难题。尽管活跃细胞在神经干细胞的追踪中所占比例不大，但是它的作用却是很重要。完成一个活跃细胞的自动追踪、分析系统，是细胞追踪的一个关键任务，找到一种快速准确的活跃细胞追踪算法是该课题的一个重点。
　　 本文针对活跃细胞的追踪采用卡尔曼滤波器算法，其建立在运动模型上，计算简单，容易理解。在现有的卡尔曼滤波器方法上提出了三点改进。首先，在运动模型上的改进，现有对细胞追踪的运动模型多采用匀速模型，由于活跃细胞运动距离大，该模型有其局限。本文中采用匀加速模型，该模型更加符合活跃细胞的运动特性。其次，对于活跃细胞的识别，多采用人机交互形式选择目标细胞，这样做影响了全自动性能。本文提出以灰度阈值法和水平集方法对图像进行预处理并获得二值图像，接着对其相邻两帧间比较，根据细胞的运动情况自动识别出活跃细胞。最后，在细胞追踪搜索算法中，多采用Mean Shift算法，但是Mean Shift算法很难在下一帧中找到匹配信息。本文中采用代价函数的思想，只需要知道活跃细胞在上一帧的形状特征和运动特征，就得找到最匹配的细胞。
　　 能否预测到活跃细胞所在区域直接影响着追踪的准确度和速度。通过分析比较几种常用的细胞追踪算法，我们认为卡尔曼滤波器算法预测法有递推运算简单、数据存储量小、速度快实时性好等优点，针对活跃细胞的运动特性，采用匀加速模型的Kalman滤波器算法比较适合。本文采用图像笛卡尔坐标系下的卡尔曼滤波算法预测、匹配、修正的思路来指导追踪，能够很好的找到使特征代价函数最小的目标细胞，并更新状态、测量方程。
　　 通过对3个序列图像共6个活跃细胞的预测与追踪的测试的结果表明，该算法能够对成功分割的活跃细胞实现较准确的追踪，追踪估计值和实际观测值之间的像素差都在十个像素以内，满足局部搜索的条件。

目录

文摘

英文文摘

第1章 绪论

1.1 神经干细胞的研究意义

1.1.1 神经干细胞的定义

1.1.2 神经干细胞的特点

1.1.3 神经干细胞的作用

1.2 医学图像处理

1.3 细胞追踪技术的国内外研究现状

1.4 活跃细胞追踪问题的应用背景及全文总体结构

1.4.1 细胞在序列图像中的追踪的应用背景

1.4.2 全文结构

第2章 细胞追踪算法及单帧图像中活跃细胞的特征信息提取

2.1 细胞追踪算法

2.1.1 Mean Shift算法

2.1.2 图论

2.1.3 Level Set算法

2.1.4 Kalman Filter

2.2 活跃细胞特征信息提取

2.2.1 细胞图像分割

2.2.2 二值图像标注

2.2.3 识别目标细胞并提取其信息

2.3 本章小结

第3章 离散卡尔曼滤波器算法

3.1 目标运动模型

3.1.1 CV和CA运动模型

3.1.2 机动目标的转弯模型(CT模型)

3.1.3 零均值-阶马尔科夫模型(Singer模型)

3.1.4 CS模型

3.1.5 针对实际问题建立的运动模型

3.2 卡尔曼滤波器算法

3.2.1 被估计的过程信号

3.2.2 滤波器的计算原型

3.2.3 滤波器的概率原型解释

3.2.4 离散卡尔曼滤波器算法

3.2.5 滤波器系数及调整

3.3 卡尔曼滤波器估计预测活跃细胞及算法的总体结构

3.3.1 Kalman滤波器在追踪活跃细胞时的状态模型

3.3.2 代价函数的建立

3.3.3 算法的总体结构

3.4 本章小结

第4章 对活跃细胞的追踪结果及分析

4.1 三个图像追踪序列中各类细胞的统计

4.1.1 序列Ⅰ中活跃细胞的追踪

4.1.2 序列Ⅱ中活跃细胞的追踪

4.1.3 序列Ⅲ中活跃细胞的追踪

4.2 追踪结果分析

4.3 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢