基于深度种子和局部图匹配的细胞追踪算法研究

摘要

在所有植物组织中，顶端分生组织最为重要，因为它要为植物其它部分的细胞供给营养和分化成植物器官。对顶端分生组织细胞进行研究有助于研究人员了解细胞的组织结构、生长规律与生理功能，进而有利于医学研究和药物研发。　　植物细胞通过共享的细胞壁彼此物理粘附，因此细胞间的相对位置变化很小。前期开发的植物细胞局部图匹配算法利用了这一特点，采用迭代搜索策略，从种子细胞开始通过邻域结构不断扩展细胞之间的匹配。然而细胞形状随着时间推移会发生很大改变，使得这种策略容易积累错误，一旦种子细胞没有选对，或者匹配扩张中出现错误，就会导致后续匹配出现一连串的错误。　　为了增加种子细胞检测的鲁棒性进而提高细胞追踪准确性，本文提出了基于深度种子和局部图匹配的细胞追踪算法。此算法流程为：1、采用分水岭算法对细胞图像进行分割。2、搭建基于卷积神经网络的细胞相似性学习网络，使用训练好的细胞相似性学习网络模型提取细胞的深度特征。3、在细胞分割图像中提取细胞的局部三角图特征。4、结合细胞的深度特征和局部三角图特征，建立相似度矩阵，相似度矩阵取最大值时对应的细胞对作为“深度种子”。5、从所获取的深度种子开始，采用邻域细胞扩散方法依次匹配其相邻细胞直至所有细胞匹配完成。　　论文的核心是通过结合局部图匹配和细胞相似性学习网络建立相似度模型来鲁棒地找到深度种子并进行后续追踪过程。其中，细胞局部三角图特征利用的是细胞的时空上下文信息(细胞的面积比，边缘长度比，角度)的稳定性。细胞相似性学习网络学习到的细胞特征被用来建立细胞的深度特征。与传统的细胞追踪方法相比，实验结果表明此算法适用于植物顶端分生组织细胞的未配准图像序列和大间隔图像序列，并且追踪准确率高。

目录

声明

第1 章 绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.2.1 细胞分割研究现状

1.2.2 细胞追踪研究现状

1.2.3 卷积神经网络研究现状

1.3 主要研究内容

1.4 论文结构安排

第2 章细胞图像分割

2.1 细胞分割难点

2.2 阈值分割算法

2.2.1 Otsu阈值分割

2.2.2 迭代法阈值分割

2.2.3 局部阈值分割

2.3 边缘检测分割算法

2.4 分水岭分割算法

2.5 U-Net分割

2.6 本章小结

第3 章基于卷积神经网络的细胞相似性学习

3.1 卷积神经网络理论基础

3.1.1 基本结构

3.1.2 卷积层

3.1.3 池化层

3.1.4 全连接

3.2 图像分类相关算法

3.2.1 基于SVM的图像分类算法

3.2.2 卷积神经网络分类算法

3.3 基于卷积神经网络的细胞相似性学习

3.3.1 细胞图像数据增强

3.3.2 细胞相似性学习网络

3.3.3 基于细胞相似性学习的细胞深度特征

3.4 本章小结

第4 章 基于深度种子和局部图匹配的细胞追踪算法

4.1 图论基础

4.2 局部图相关算法

4.2.1 基于CRF的局部图算法

4.2.2 基于IMM滤波器的局部图算法

4.3 基于深度种子扩散的细胞追踪算法

4.3.1 细胞局部三角图特征

4.3.2 基于局部三角图特征和深度特征的深度种子

4.3.3 相邻细胞扩散过程

4.3.4 细胞分裂检测

4.4 本章小结

第5 章实验结果与分析

5.1 细胞分割结果分析

5.2 细胞相似性学习结果

5.2.1 细胞对采样

5.2.2 网络训练和测试

5.2.3 细胞对匹配结果分析

5.3 深度种子检测结果分析

5.4 细胞追踪与分裂检测结果分析

5.5 本章小结

结论与展望

1. 论文总结

2. 展望

参考文献

致 谢

附录A 攻读学位期间所发表的学术成果

附录B 攻读学位期间所参与的科研项目