基于时序信息建模的有丝分裂事件检测方法研究

摘要

对细胞分裂事件的研究对揭示生命体中复杂、多样的变化有着极其重要的意义，广大学者希望能够借鉴机器学习在行为及事件检测方面的应用，对体外细胞的生命活动进行更加深入的研究。目前，显微图像序列中有丝分裂事件识别和定位方法大致可分为三类：基于轨迹的方法，基于特征的方法和基于时序建模的方法，基于轨迹的方法难度较大，基于特征的方法无法有效捕捉事件中的动态信息，基于时序建模的方法能够很好地解决上述存在的两个问题，但是现有的基于时序建模的方法需要大量的训练样本进行学习，导致识别定位效率太低。 本文通过对前人所做工作的总结，针对当前在细胞有丝分裂事件识别和定位中存在的问题，提出了一种基于排序的建模方法，该方法基于图像序列，将有丝分裂事件识别问题引申到视频中的事件识别问题，考虑将视频序列帧的顺序信息视为视频特征，并利用排序分数来表征视频序列。首先在视觉特征的基础上，通过池化操作构建矢量函数，模拟图像序列的数据分布，能够有效捕捉序列连续时间内的变化方向，将特征向量和时间变量关联起来，赋予了序列时间意义上的顺序性；其次，通过训练线性排序机整合图像序列中的历史信息，用学习到的线性排序机的参数来表征整个序列，新特征具有序列特异性，能够有效捕捉到序列随着时间的动态演变过程；最后通过在新特征上训练SVM二元分类器，完成序列分类识别，建模方法简单，可以用一个特征向量来表征整个图像序列，提高了分类器效率。通过对图像序列进行子序列划分，基于子序列提取的特征，能够很好地捕捉分裂事件的阶段性特征，通过训练SVM多元分类器，能够实现对分裂事件的阶段性定位。 本文通过在细胞事件检测领域最具挑战性的C3H10T1/2和C2C12数据集上，进行有丝分裂事件识别和定位实验，实验结果验证了本文提出的序列特征能够有效模拟图像序列的数据分布，刻画有丝分裂事件的阶段性特征，通过和传统方法的识别和定位结果比较，本文提出的方法具有很大的优势。

目录

第一个书签之前