CN102156988B - 一种细胞分裂序列检测方法 - Google Patents

Abstract

本发明公开了一种细胞分裂序列检测方法，属于图像分析和模式识别领域，所述方法包括以下步骤：基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列；通过方向梯度直方图对所述第一细胞分裂候选区域进行描述，通过特征提取将所述细胞分裂候选序列转化为特征向量序列；根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别。本发明不依赖于经验性图像处理，复杂的细胞跟踪，以及有关特定细胞形态或行为规律等生物学知识，提高了鲁棒性和通用性，因此可以广泛应用于显微镜图像序列中细胞行为的自动理解和检测。

Description

一种细胞分裂序列检测方法

技术领域

本发明属于图像分析和模式识别领域，特别涉及一种细胞分裂序列检测方法。

背景技术

在生物学研究中，细胞的生长规律与外界环境因素的关系仍然是未解之谜。生物学家希望借助体外培养细胞的方法通过对细胞生长过程的监控来分析细胞的世系关系，挖掘和计算不同时刻与细胞生长相关的生物学参数，用于对细胞生长过程的定量分析，从而对该问题进行探索。但是，由于生物实验中细胞数目庞大和行为复杂等因素，借助人力长时间监控细胞生长过程并分析细胞世系关系是不现实的。为了克服这一困难，利用计算机视觉方法，对体外培养并通过显微镜周期性采集的细胞图像序列进行自动的分析和理解，在此基础上检测细胞分裂行为，将为定量分析细胞数量、密度，以及为细胞生长原理的发现提供技术基础，对生物理论、药物开发和临床治疗等相关领域的发展具有革命性的意义。

现有技术中细胞分裂序列检测方法可分为三类：1、基于跟踪的方法：即通过细胞跟踪提取运动轨迹，然后通过对细胞分裂时轨迹变化制定规则进行细胞分裂的检测；2、基于模型的方法：即提取细胞分裂区域特征，将细胞分裂序列看作一个特殊的视觉模型，并对其构造数学模型进行该视觉模式的检测；3、综合以上两类方法，首先通过细胞的检测和跟踪提取包含细胞特定行为的候选序列，然后对候选序列进行特征提取，最后通过对特定细胞行为的时序特性推断或数学建模实现检测。总体来讲，现有技术中的方法多针对某种细胞行为开发算法并在小数据集上进行实验，并且对细胞检测和跟踪结果有较强依赖性，因此这些方法不具有较强鲁棒性和通用性。

发明内容

为了提高鲁棒性和通用性，本发明提供了一种细胞分裂序列检测方法，详见下文描述：

一种细胞分裂序列检测方法，所述方法包括以下步骤：

(1)基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列；

(2)通过方向梯度直方图对所述第一细胞分裂候选区域进行描述，通过特征提取将所述细胞分裂候选序列转化为特征向量序列；

(3)根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别。

步骤(1)中所述基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列具体为：

1)采用动态背景建模法去除每幅图像的背景区域及噪声区，对N帧连续图像取平均，作为所述N帧连续图像的背景图像，将每幅图像与所述背景图像做差，去除所述N帧连续图像中的背景区域及噪声区，获取处理后N帧连续图像；对后续N帧连续图像重复执行步骤1)；

2)将所述处理后N帧连续图像中的每帧图像与第一预设规格的均值滤波器进行卷积，采用阈值进行每帧图像的二值化，获取细胞分裂候选区域；

3)去除所述细胞分裂候选区域中的开操作和闭操作，并通过联通区域的提取形成各个独立细胞分裂候选区域；

4)以所述各个独立细胞分裂候选区域的几何中心为中点提取第二预设规格的矩形区域作为第一细胞分裂候选区域；

5)将所述N帧连续图像中符合空间区域重合条件的所述第一细胞分裂候选区域进行关联运算，提取所述细胞分裂候选序列。

所述空间区域重合条件具体为：

所述N帧连续图像的任意相邻两帧图像中的第一细胞分裂候选区域的重合面积的2倍大于等于两帧图像中第一细胞分裂候选区域面积的最小值。

步骤(2)中所述通过方向梯度直方图对所述第一细胞分裂候选区域进行描述，通过特征提取将所述细胞分裂候选序列转化为特征向量序列具体为：

1)计算第一细胞分裂候选区域的一阶梯度；

2)将所述一阶梯度分成预设数量的单元格，将各单元格中所有像素的方向梯度直方图累加，并将方向梯度直方图映射到预设角度上；

3)对所述各个单元格内方向梯度直方图进行归一化，所述第一细胞分裂候选区域中所有单元格的特征描述组成了第一细胞分裂候选区域的特征，获取所述特征向量序列。

步骤(3)中所述根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别具体为：

1)隐条件随机场模型的表示：

对于序列标记y、观察序列X、隐藏变量h和模型参数θ，隐条件随机场模型具体为：

$P\left(Y\right|X,\mathrm{\θ})=\underset{h}{\mathrm{\Σ}}P(Y,h|X,\mathrm{\θ})=\frac{{\mathrm{\Σ}}_h\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X))}{{\mathrm{\Σ}}_{Y^{\′},h}\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y^{\′},h,X))}$

其中，φ(Y，h，X)∈R为特征函数，表示由节点位置以及节点间关联决定的序列特征，T表示转置；Y′表示序列标记Y中的成员；具体形式可以根据实际情况设定，本发明给出参考性特征函数构造方法：

$\mathrm{\φ}(Y,h,X)=(\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_1(x_j,h_j),\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_2(Y,h_j),\underset{(j,k)\∈\mathrm{\ϵ}}{\mathrm{\Σ}}{\mathrm{\φ}}_3(Y,h_j,h_k))$

其中，φ₁(x_j，h_j)表示观测节点与隐藏变量节点之间的关系；φ₂(Y，h_j)表示隐藏变量节点与序列标记的关系；φ₃(Y，h_j，h_k)表示隐藏变量节点间形成的边与序列标记间的关系；

2)隐条件随机场模型的学习：

定义函数f_θ(X，Y)来度量(X，Y)组合的分数：

$f_{\mathrm{\θ}}(X,Y)=\underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X)$

定义目标函数和约束集如下：

$\begin{array}{cc}\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }& \frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t\end{array}$

$\begin{array}{cc}s.t.& \underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X^t)-\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)\end{array}$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

其中，X^t，Y^t表示样例X^t及其真实序列级标注Y^t；C表示平衡间隔大小和样本错判程度的权重；ξ^t为第t个训练样例引入的松弛项；Δ(Y，Y^t)＝1-δ(Y＝Y^t)表示间隔，δ(Y＝Y^t)为指标函数，Y＝Y^t时，δ(Y＝Y^t)为1，否则为0；

所述目标函数的求解过程采用如下的分布优化方法，通过迭代优化进行

①固定θ和ξ^t，对样例(X^t，Y^t)计算最优隐变量

$h_{Y^t}^t=\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)$

②固定

优化θ和ξ^t；

$\begin{array}{cc}\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }& \frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t\end{array}$

$\begin{array}{cc}s.t.& {\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h_{Y^t}^t,X^t)-{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h_{Y^t}^t,X^t)\end{array}$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

3)隐条件随机场模型的推断：

在模型参数已知的前提下，推断观察序列X的分类最优标记Y^*，

实现所述细胞分裂序列识别，该最优化推断可以通过标准动态规划算法实现。

本发明提供的技术方案的有益效果是：

本发明提供了一种细胞分裂序列检测方法，本发明不依赖于经验性图像处理，复杂的细胞跟踪，以及有关特定细胞形态或行为规律等生物学知识，提高了鲁棒性和通用性，因此可以广泛应用于显微镜图像序列中细胞行为的自动理解和检测。

附图说明

图1为本发明提供的一种细胞分裂序列检测方法的流程图；

图2为本发明提供的隐条件随机场的图解模型的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了提高鲁棒性和通用性，本发明实施例提供了一种细胞分裂序列检测方法，参见图1，详见下文描述：

101：基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列；

其中，在显微镜图像中，细胞分裂区域相对于显微镜图像中的其他区域通常表现为高亮度区域，因此可以利用该显著特性粗略定位每幅图像中细胞分裂候选序列的位置。

其中，该步骤具体为：

1)采用动态背景建模法去除每幅图像的背景区域及噪声区，具体为：对N帧连续图像取平均，作为该N帧连续图像的背景图像，将每幅图像与背景图像做差，去除N帧连续图像中的背景区域及噪声区，获取处理后N帧连续图像；对下N帧连续图像重复执行该步骤；

其中，N为经验性参数，通过具体的实验表明，N的取值对后续细胞分裂序列检测影响不大，具体实现时，N的取值根据实际应用中的需要进行设定，本发明实施例对此不做限制，本发明实施例中N的取值以10为例进行说明。

2)将处理后N帧连续图像中的每帧图像与第一预设规格的均值滤波器进行卷积，采用阈值TH1进行每帧图像的二值化，获取细胞分裂候选区域；

其中，通过将处理后N帧连续图像中的每帧图像与第一预设规格的均值滤波器进行卷积可以求出第一预设规格区域的均值，其中，第一预设规格根据实际应用中的需要进行设定，具体实现时，本发明实施例对此不做限制。本发明实施例以10个像素点为例进行说明。由于细胞分裂区域通常对应于每帧图像灰度最高的若干区域，因此二值化后保留下来的高灰度值区域即为细胞分裂候选区域。本发明实施例中的图像最大灰度为90％，具体实现时，本发明实施例对此不做限制。

3)去除细胞分裂候选区域中的开操作和闭操作，并通过联通区域的提取形成各个独立细胞分裂候选区域；

4)以各个独立细胞分裂候选区域的几何中心为中点提取第二预设规格的矩形区域作为第一细胞分裂候选区域；

其中，第二预设规格根据实际应用中的需要进行设定，具体实现时，本发明实施例对此不做限制，本发明实施例中的第二预设规格为：细胞区域外界矩形平均长宽的1.5倍。例如：细胞区域外界矩形平均长宽为10，第二预设规格则为15。

5)将N帧连续图像中符合空间区域重合条件的第一细胞分裂候选区域进行关联运算，提取细胞分裂候选序列。

其中，空间区域重合条件具体为：N帧连续图像的任意相邻两帧图像的第一细胞分裂候选区域的重合面积的2倍大于等于两帧图像中第一细胞分裂候选区域面积的最小值。即，例如：N帧连续图像任意相邻两帧(i与i+1帧)图像中第一细胞分裂候选区域的重合面积为A，第i帧第一细胞分裂候选区域面积为B，第i+1帧第一处理细胞分裂候选区域面积为C，则，空间区域重合条件为2A≥min(B，C)。

102：通过方向梯度直方图对第一细胞分裂候选区域进行描述，通过特征提取将细胞分裂候选序列转化为特征向量序列；

由于第一细胞分裂候选区域的纹理和形状特征更具有区分性，所以采用方向梯度直方图^[1]进行候选区域的描述。

其中，该步骤具体为：

1)计算第一细胞分裂候选区域的一阶梯度；

通过计算第一细胞分裂候选区域的一阶梯度来捕获轮廓和纹理特征，并弱化光照的影响。

2)将一阶梯度分成预设数量的单元格，将各单元格中所有像素的方向梯度直方图累加，并将方向梯度直方图映射到预设角度上；

其中，单元格的预设数量根据实际应用中的需要进行设定，例如：16×16数量的单元格；预设角度根据实际应用中的需要进行设定，例如：0-180°或0-360°，具体实现时，本发明实施例对单元格的预设数量以及预设角度不做限制。

3)对各个单元格内方向梯度直方图进行归一化，第一细胞分裂候选区域中所有单元格的特征描述组成了第一细胞分裂候选区域的特征表示，获取特征向量序列。

103：根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别。

其中，细胞分裂序列识别的核心是隐条件随机场模型的学习和推断。隐条件随机场是一种判别式图模型，相对于生成式图模型(如隐马尔可夫模型和最大熵模型等)和其他判别式图模型(条件随机场等)，隐条件随机场模型引入了隐变量，从而能够充分的利用特征向量序列中的上下文关系隐式的分析序列的结构化特征，增强了对随机变量为结构型数据时的处理能力，因此该模型适于细胞分裂过程的建模^[2]，细胞分裂序列建模具体包括如下三方面内容：

1)隐条件随机场模型的表示：

从数学上看，隐条件随机场模型具体为：给定一个观察序列X＝{x₁，x₂，...，x_t}(t表示序列长度)，预测一个标记Y，Y是包括所有可能标记的集合的一个成员。每个观察值x_i被一个特征向量ψ(x_i)∈R^d所代替，其中，R为实数空间，d为维数，即步骤102中对细胞分裂候选序列各帧图像提取的方向梯度直方图特征。对每一个特征向量序列，假定隐藏变量h＝{h₁，h₂，...，h_t}，该变量每个隐状态h_i对应于序列相应帧x_i。参见图2，隐条件随机场模型的图结构G＝(v，ε)(其中，v表示图的顶点，ε表示图的边)表示法。

对于序列标记Y、观察序列X、隐藏变量h和模型参数θ，隐条件随机场模型具体为：

$P\left(Y\right|X,\mathrm{\θ})=\underset{h}{\mathrm{\Σ}}P(Y,h|X,\mathrm{\θ})=\frac{{\mathrm{\Σ}}_h\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X))}{{\mathrm{\Σ}}_{Y^{\′},h}\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y^{\′},h,X))}---\left(1\right)$

其中，φ(Y，h，X)∈R为特征函数，表示由图模型中节点位置以及节点间关联决定的序列特征，T表示转置；Y′表示序列标记Y中的成员；可以根据实际应用情况设定该特征函数，本发明实施例中给出的特征函数具体为：

$\mathrm{\φ}(Y,h,X)=(\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_1(x_j,h_j),\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_2(Y,h_j),\underset{(j,k)\∈\mathrm{\ϵ}}{\mathrm{\Σ}}{\mathrm{\φ}}_3(Y,h_j,h_k))---\left(2\right)$

其中，特征函数往往考虑如下三类因素：φ₁(x_j，h_j)表示观测节点与隐藏变量节点之间的关系；φ₂(Y，h_j)表示隐藏变量节点与序列标记的关系；φ₃(Y，h_j，h_k)表示隐藏变量节点间形成的边与序列标记间的关系。

2)隐条件随机场模型的学习：

定义函数f_θ(X，Y)来度量(X，Y)组合的分数：

$f_{\mathrm{\θ}}(X,Y)=\underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X)---\left(3\right)$

因此，隐条件随机场模型学习的目的是寻求最优参数θ，参考基于结构化支持向量机模型学习方法^[3]，并考虑到样本线性不可分情况的存在，定义目标函数和约束集如下：

$\begin{array}{cc}\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }& \frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t\end{array}$

$\begin{array}{cc}s.t.& \underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X^t)-\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)\end{array}----\left(4\right)$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

其中，X^t，Y^t表示样例X^t及其真实序列级标注Y^t；C表示平衡间隔大小和样本错判程度的权重；ξ^t为第t个训练样例引入的松弛项；Δ(Y，Y^t)＝1-δ(Y＝Y^t)表示间隔，δ(Y＝Y^t)为指标函数，即Y＝Y^t成立时，δ(Y＝Y^t)为1，否则为0。

上述最优化问题包含的参数可以划分为两类，其中θ和ξ^t用于目标函数计算，目标函数的求解过程采用如下的分布优化方法，通过迭代优化进行：

①固定θ和ξ^t，对样例(X^t，Y^t)计算最优隐变量

$h_{Y^t}^t=\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)---\left(5\right)$

其中，h′表示隐状态空间所有状态值中的一个取值；

上式可以通过动态规划算法^[5]求解。

②固定

优化θ和ξ^t。

$\begin{array}{cc}\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }& \frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t\end{array}$

$\begin{array}{cc}s.t.& {\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h_{Y^t}^t,X^t)-{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h_{Y^t}^t,X^t)\end{array}---\left(6\right)$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

上式表明利用公式(5)获得的

可以将公式(4)中的最优化问题转化为公式(6)所示凸二次规划问题，该问题可以参考割平面方法^[4]进行求解。

3)隐条件随机场模型的推断。

在隐条件随机场模型参数已知的前提下，推断观察序列X的分类最优标记Y^*可以由下式计算，实现细胞分裂序列识别：

$Y^{*}=\underset{Y}{\arg \max }p\left(Y\right|X,{\mathrm{\θ}}^{*})---\left(7\right)$

上式最优化推断可以通过标注动态规划算法计算，具体可参考^[5]。

下面以一个简单的试验来验证本发明实施例提供的一种细胞分裂序列检测方法的可行性，详见下文描述：

采用形变复杂的C3H10T1/2细胞作为培养对象，并通过显微镜数字图像采集装置采集了约240小时共1436幅图像(每5分钟为一个采样周期)作为数据集，其中前一半图像用于模型学习，后一半用于模型的推断。

通过基于细胞分裂区域显著特征和时空关联特性的方法提取细胞分裂候选序列，本发明实施例提供的方法可以提取到所有细胞分裂序列，并引入一些非细胞分裂序列；在此基础上，借助基于隐条件随机场模型学习得到的细胞分裂序列模型进行进一步的识别，细胞分裂序列检测最终可以达到95％的准确率。

综上所述，本发明实施例提供了一种细胞分裂序列检测方法，本发明实施例不依赖于经验性图像处理，复杂的细胞跟踪，以及有关特定细胞形态或行为规律等生物学知识，提高了鲁棒性和通用性，因此可以广泛应用于显微镜图像序列中细胞行为的自动理解和检测。

参考文献

[1]N.Dalai and B.Triggs，“Histograms of oriented gradients for human detection，”Proc.IEEE Iht.Conf.Computer Vision and Pattern Recognition，pp.886-93，2005.

[2]A.Quattoni，S.Wang，L.Morency，M.Collins，and T.Darrell，“Hidden conditionalrandom fields，”IEEE Trans.Pat.Anal.Mach.Intel，29(10)：1848-53，Oct.2007.

[3]P.Felzenszwalb，R.Girshick，D.McAllester，D.Ramanan，″Object detection withdiscriminatively trained part based models，″IEEE Transactions on Pattern Analysisand Machine Intelligence(TPAMI)，32(9)，pp.1627-1645，2010.

[4]T.Joachims，T.Finley，C.N.J.Yu，″Cutting-plane training of structural SVMs，″Machine Learning，77(1)，pp.27-59，2009.

[5]R Bellman，Dynamic Programming.Princeton：NJ：Princeton University Press，1957.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种细胞分裂序列检测方法，其特征在于，所述方法包括以下步骤：

(1)基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列；

(2)通过方向梯度直方图对所述第一细胞分裂候选区域进行描述，通过特征提取将所述细胞分裂候选序列转化为特征向量序列；

(3)根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别；

其中，步骤(1)中所述基于细胞分裂区域显著特征和时空关联特性的方法获取第一细胞分裂候选区域，并提取细胞分裂候选序列具体为：

1)采用动态背景建模法去除每幅图像的背景区域及噪声区，包括：对N帧连续图像取平均，作为所述N帧连续图像的背景图像，将每幅图像与所述背景图像做差，去除所述N帧连续图像中的背景区域及噪声区，获取处理后N帧连续图像；对后续N帧连续图像重复执行步骤1)；

2)将所述处理后N帧连续图像中的每帧图像与第一预设规格的均值滤波器进行卷积，采用阈值进行每帧图像的二值化，获取细胞分裂候选区域；

3)去除所述细胞分裂候选区域中的开操作和闭操作，并通过联通区域的提取形成各个独立细胞分裂候选区域；

4)以所述各个独立细胞分裂候选区域的几何中心为中点提取第二预设规格的矩形区域作为第一细胞分裂候选区域；

5)将所述N帧连续图像的任意相邻两帧图像中，符合空间区域重合条件的所述第一细胞分裂候选区域进行关联运算，提取所述细胞分裂候选序列；

其中，步骤(2)中所述通过方向梯度直方图对所述第一细胞分裂候选区域进行描述，通过特征提取将所述细胞分裂候选序列转化为特征向量序列具体为：

1)计算第一细胞分裂候选区域的一阶梯度；

2)将所述一阶梯度分成预设数量的单元格，将各单元格中所有像素的方向梯度直方图累加，并将方向梯度直方图映射到预设角度上；

3)对所述各个单元格内方向梯度直方图进行归一化，所述第一细胞分裂候选区域中所有单元格的特征描述组成了第一细胞分裂候选区域的特征，获取所述特征向量序列；

其中，步骤(3)中所述根据特征向量序列，通过隐条件随机场模型的学习和推断实现细胞分裂序列识别具体为：

1)隐条件随机场模型的表示：

对于序列标记Y、观察序列X、隐藏变量h和模型参数θ，隐条件随机场模型具体为：

$P\left(Y\right|X,\mathrm{\θ})=\underset{h}{\mathrm{\Σ}}P(Y,h|X,\mathrm{\θ})=\frac{{\mathrm{\Σ}}_h\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X))}{{\mathrm{\Σ}}_{Y^{\′},h}\exp ({\mathrm{\θ}}^T\×\mathrm{\φ}(Y^{\′},h,X))}$

其中，φ(Y,h,X)∈R为特征函数，表示由节点位置以及节点间关联决定的序列特征，T表示转置；Y′表示序列标记Y中的成员，R表示实数空间；

特征函数构造方法如下：

$\mathrm{\φ}(Y,h,X)=(\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_1(x_j,h_j),\underset{j\∈v}{\mathrm{\Σ}}{\mathrm{\φ}}_2(Y,h_j),\underset{(j,k)\∈\mathrm{\ϵ}}{\mathrm{\Σ}}{\mathrm{\φ}}_3(Y,h_j,h_k))$

其中，φ₁(x_j,h_j)表示观测节点与隐藏变量节点之间的关系；φ₂(Y,h_j)表示隐藏变量节点与序列标记的关系；φ₃(Y,h_j,h_k)表示隐藏变量节点间形成的边与序列标记间的关系，观察序列X＝{x₁,x₂，...,x_t}，t表示序列长度,x_j表示观测节点；隐藏变量h={h₁,h₂,...,h_t，}，t表示序列长度,h_j和h_k表示隐藏变量节点；隐条件随机场模型的图结构G＝(v，ε)，v表示图的顶点，ε表示图的边；

2)隐条件随机场模型的学习：

定义函数f_θ(X,Y)来度量(X,Y)组合的分数：

$f_{\mathrm{\θ}}(X,Y)=\underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X)$

定义目标函数和约束集如下：

$\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }\frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t$

$s.t.\underset{h}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h,X^t)-\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

其中，X^t,Y^t表示样例X^t及其真实序列级标注Y^t；C表示平衡间隔大小和样本错判程度的权重；ξ^t为第t个训练样例引入的松弛项；Δ(Y,Y^t)=1-δ(Y=Y^t)表示间隔，δ(Y=Y^t)为指标函数，Y=Y^t时，δ(Y=Y^t)为1，否则为0，h′表示隐状态空间所有状态值中的一个取值；

所述目标函数的求解过程采用如下的分布优化方法，通过迭代优化进行：

①固定θ和ξ^t，对样例(X^t,Y^t)计算最优隐变量

$h_{Y^t}^t=\underset{h^{\′}}{\max }{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h^{\′},X^t)$

②固定

，优化θ和ξ^t；

$\underset{\mathrm{\θ},\mathrm{\ξ}}{\min }\frac{1}{2}{\mathrm{\θ}}^2+C\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}^t$

$s.t.{\mathrm{\θ}}^T\×\mathrm{\φ}(Y,h_{Y^t}^t,X^t)-{\mathrm{\θ}}^T\×\mathrm{\φ}(Y^t,h_{Y^t}^t,X^t)$

$\≤{\mathrm{\ξ}}^t-\mathrm{\Δ}(Y,Y^t)\∀t,\∀Y$

${\mathrm{\ξ}}^t\≥0,\∀t$

3)隐条件随机场模型的推断：

在模型参数已知的前提下，推断观察序列X的分类最优标记Y^*，实现所述细胞分裂序列识别。

2.根据权利要求1所述的一种细胞分裂序列检测方法，其特征在于，所述空间区域重合条件具体为：

所述N帧连续图像的任意相邻两帧图像的第一细胞分裂候选区域的重合面积的2倍大于等于两帧图像中第一细胞分裂候选区域面积的最小值。

Images