CN105279768A - 基于多模式蚁群系统的变密度细胞跟踪方法 - Google Patents

Abstract

本发明提供了一种基于多模式蚁群系统的变密度细胞跟踪方法，包括以下步骤：获取若干帧连续的变密度细胞的原始灰度图，选取其中一帧原始灰度图作为当前帧，计算当前帧原始灰度图中像素的平均似然度，并根据计算结果在细胞可能出现的区域内放置蚂蚁，从而获得生成子蚁群初始分布，这种基于多模式蚁群系统的变密度细胞跟踪方法具有以下有益效果：1）对由于运动、碰撞、分裂等引起的细胞密度变化情形（尤其是细胞密集的情况）能实现自动跟踪，并给出所有细胞动力学特征参数（轨迹、速度等）；2）能实现由于进入或离开视图而引起的密度变化细胞的自动跟踪。

Description

基于多模式蚁群系统的变密度细胞跟踪方法

技术领域

本发明涉及细胞的运动特性获取技术领域，尤其涉及一种基于多模式蚁群系统的变密度细胞跟踪方法。

背景技术

生物医学图像在医疗诊断和疾病治疗中的作用日益显著，细胞图像的研究是医学图像中一个重要的分支。从细胞图像序列中提取目标特征信息及目标运动轨迹，是医学分析中一项重要基本工作。在医学上判断和研究细胞图像序列，比较同一种细胞在不同生理、病理或实验条件下形态的变化和运动轨迹，可以为病理分析和病情诊断提供重要的科学依据。

在过去的几十年里，生物成像技术的迅速发展为人类的健康提供了坚实的技术保证，如荧光显微成像技术为研究细胞内的动力学行为提供了可能，用荧光蛋白粉对所感兴趣的细胞内的结构进行标记并跟踪，在所形成的细胞“生命”历史纪录中来获取细胞的速度、加速度和强度变化等信息，从而有助于细胞迁徙等相关细胞生物学的研究。例如，脊椎动物的神经嵴细胞在胚胎期会不断从背侧向腹侧移行，若出现突变，患者的体色、血细胞供应和性细胞的形成都会出现异常(患者额头出现“白斑”)。由此可见，分析细胞迁徙运动有助于掌握导致人类疾病的原因，并研究相关的治疗方法。

细胞跟踪技术是研究细胞动力学行为最有效的工具之一，无论是在信息科学领域还是在生命科学领域都是一个极具挑战性且应用性很强的课题。以白细胞为例，白细胞的滚动速度和数量也与炎症的轻重有着直接的关系，如在炎症发生时，E-selectin抑制剂能增加滚动白细胞的速度，滚动速度的增加也间接表明了白细胞与发炎的血管内皮层之间的依附作用减弱和炎症的加重。定性和定量地描述细胞的运动特性不仅能预测相关疾病，也能为新医药的研制提供相应的依据和方向。近年来，虽然众多学者做了大量相关研究，但仍有些原因制约着多细胞跟踪技术的发展：

1)有些细胞会产生相应的变形，也就是说所跟踪的目标是一个变形体，而非刚体，因此，它不同于传统的点目标跟踪情形，需要考虑细胞的形状和大小。

2)由于生物体的呼吸而引起的颤抖、细胞进入或离开共焦平面造成对比度的变化，使得所获取的图像质量下降，加大了细胞跟踪的难度。

3)细胞数目随时间的变化，且在运动过程中会出现靠近或交叉等现象。

传统的细胞运动分析研究方法不但需要大量繁琐的人为操作，而且由于细胞形态多样，变化微妙，运动轨迹复杂，分析结果的准确性和效率过多地依赖研究者的经验知识和视觉估计，所得到的一般是定性的结论，而缺乏定量的描述、比较和分析，因此对于多细胞运动分析技术的研究十分重要。随着数学、计算机技术及医学等有关学科的飞速发展成为当前图像序列运动目标的检测与跟踪研究的热点。所谓图像序列多细胞跟踪是对图像序列中运动目标进行检测、提取、识别，然后根据其图像特征对目标进行跟踪。跟踪是为了获得目标的运动参数，如位置、速度、加速度以及运动轨迹等，从而为后续的图像分析、运动目标的行为理解、及完成更高一级的任务奠定基础。

在过去的几十年中许多自动细胞跟踪方法被提出来，大概分为两种：确定性的方法和概率的方法。确定性的方法一般将独立处理细胞的检测与跟踪。应用于复杂场景，如细胞分裂、分割错误等时，往往跟踪失败。基于概率的方法利用先验的一些信息和测量信息来估计细胞状态的后验概率密度函数。正确跟踪变密度多细胞在细胞跟踪中还是一个难题，目前的技术还很少能处理这些情况，跟踪的精确性和稳定性都不足，对于变密度多细胞的动力学特性的差异，其跟踪性能未加以研究等等。

发明内容

本发明要解决的技术问题是：为了解决现有技术中对变密度细胞的跟踪方法在精确性和稳定性上存在不足，本发明提供了一种基于多模式蚁群系统的变密度细胞跟踪方法针对细胞密集或稀疏且动力学特性存在差异、细胞数目时变等情形，利用协作模式和竞争模式构建独自的子信息素场，利用蚁群之间的交互信息实时更新蚂蚁的工作模式，从而形成总信息素场实现对细胞位置信息的估计，达到对变密度细胞准确跟踪的目的。

本发明解决其技术问题所采用的技术方案是：一种基于多模式蚁群系统的变密度细胞跟踪方法，包括以下步骤：

A)获取若干帧连续的变密度细胞的原始灰度图，选取其中一帧原始灰度图作为当前帧，计算当前帧原始灰度图中像素的平均似然度，并根据计算结果在细胞可能出现的区域内放置蚂蚁，从而获得生成子蚁群初始分布；

B)利用当前帧原始灰度图的前一帧的细胞位置信息预测当前帧的细胞位置信息，从而获得预测子蚁群初始分布；

C)将生成子蚁群初始分布和预测子蚁群初始分布中的蚂蚁根据不同的工作模式分为两组，两组蚂蚁分别根据工作模式构建子信息素场，利用子信息素场更新蚁群的工作模式，形成总信息素场，从而实现对细胞的位置估计；

D)基于总信息素场的构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行细胞位置估计，利用细胞距离与特征信息相融合的策略进行数据关联，获取细胞运动轨迹及相关的动力学参数。

作为优选，所述步骤A)中，获得生成子蚁群初始分布的具体步骤为：将当前帧原始灰度图分为c₁×c₂个方块，计算每个方块像素的平均似然度：

${\stackrel{\‾}{\mathrm{\η}}}_{l,f}=\frac{\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\η}}_i}{P},l=1...c_1,f=1,...c_2,$

其中P为方块内像素的个数，η_i为像素点i的似然函数；

如果则N个蚂蚁随机的放置在方块内的像素上，否则不分配任何蚂蚁。

作为优选，所述步骤B)中，获得预测子蚁群初始分布的具体步骤为：假定第t-1帧原始灰度图中包含M个细胞,表示为Ω_M:＝{1,2,…,M}，包含有N个蚂蚁的子蚁群用于跟踪第t帧原始灰度图中的细胞m(m∈Ω_M)则有：

$X_m^k(t/t-1)=F^k\left(t\right)X_m^k(t-1/t-1),$

其中，为状态向量，包含x与y方向上的位置与速度信息，F^k(t)为状态转移矩阵。

作为优选，所述步骤C)中的分组方式具体为：对包含有N个蚂蚁的子蚁群中任一个蚂蚁，产生一个随机数r，按公式将子蚁群中的蚂蚁分为两组，其中r₀为阈值，其中一组蚂蚁以协作模式工作在它们独立的子信息素场中，另外一组蚂蚁以竞争模式工作在它们独立的自信息素场中。

具体的，所述步骤C)中实现对细胞的位置估计的具体步骤为：

a)若子蚁群s(s＝1:n₁+n₂)中的蚂蚁k(k∈Γ₁)位于像素i，蚂蚁k是以协作模式工作，则蚂蚁k选择其邻域中某一像素j的概率为：

其中似然函数定义为 为信息素，α₁,β₁分别为信息素和似然函数值的控制参数，H(i)为像素i的近邻像素集；

蚂蚁k同时释放一定量的信息素△τ₀(如果它选择像素j)，△τ₁(未选择，还处于像素i的位置)；

b)若子蚁群s(s＝1:n₁+n₂)中的蚂蚁k(k∈Γ₂)位于像素i，蚂蚁k是以竞争模式工作，考虑信息素总量和信息素相对量的作用，蚂蚁k选择其邻域中某一像素j的概率为：

其中，似然函数定义为

是第s个子蚁群在像素j上的信息素量，为信息素总量，定义为α₂,β₂,γ分别为信息素总量、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，蚂蚁k同时释放一定量的信息素△τ₀(选择像素j)或△τ₁(未选择，还处于像素i的位置)；

c)当所有蚂蚁按上述概率完成选择后，更新像素j的信息素量：

${\mathrm{\τ}}_j^s(\hat{t}+1)=(1-\mathrm{\ξ}){\mathrm{\τ}}_j^s\left(\hat{t}\right)+\mathrm{\Δ}{\mathrm{\τ}}_j^s\left(\hat{t}\right)+{\mathrm{\κ}}_j^s\left(\hat{t}\right),$

并且更新信息素扩散值：

${\mathrm{\κ}}_j^s\left(\hat{t}\right)=\underset{j^{\′}\∈H\left(j\right)}{\mathrm{\Σ}}\frac{F}{\left|H\left(j^{\′}\right)\right|}(\mathrm{\Δ}{r}_{j^{\′}}^s(\hat{t}-1)+{\mathrm{\κ}}_{j^{\′}}^s(\hat{t}-1));$

d)n₁+n₂组子蚁群完成迭代后，计算总信息素量 ${\mathrm{\τ}}_j(\hat{t}+1)=\underset{s}{\text{\Σ}}{\mathrm{\τ}}_j^s(\hat{t}+1);$

e)像素j上蚂蚁工作模式更新，计算模式更新概率如果则蚂蚁的工作模式发生转换；

f)根据所需的迭代次数，循环上述步骤a)～e)。

具体的，所述步骤D具体包括以下步骤：

1)已知细胞的尺寸范围，设定子蚁群中蚂蚁数量阀值N_th，若某一子蚁群的蚂蚁数量为N，则当N<N_th删除此子蚁群；

2)任两组子蚁群s_u,s_v，其对应的信息素均为依据已知细胞的尺寸构建相应的正方形方块，计算其面积重叠率a_overlap，若a_overlap>a_th，则两个子蚁群组合并，其中a_th为阈值；

3)数据关联：利用细胞距离与特征信息相融合的策略进行数据关联获取细胞运动轨迹及其动力学参数。

本发明的有益效果是，这种基于多模式蚁群系统的变密度细胞跟踪方法具有以下有益效果：

1)对由于运动、碰撞、分裂等引起的细胞密度变化情形(尤其是细胞密集的情况)能实现自动跟踪，并给出所有细胞动力学特征参数(轨迹、速度等)；

2)能实现由于进入或离开视图而引起的密度变化细胞的自动跟踪；

3)跟踪稳定性高，与粒子滤波器细胞跟踪方法、多贝努利滤波器细胞跟踪方法及高斯混合PHD滤波器细胞跟踪方法相比，标签转换率LSR，漏检率LTR及错误跟踪率FTR都显著下降，如下表所示：

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的基于多模式蚁群系统的变密度细胞跟踪方法的流程图。

图2是序列1的变密度细胞的原始灰度图。

图3是序列2的变密度细胞的原始灰度图。

图4是序列1的分析结果，其中图(a)为多次迭代后信息素场分布结果，图(b)为通过本发明得到的跟踪结果。

图5是序列1的分析结果，其中图(a)为x方向上所有细胞位置估计，图(b)为y方向上所有细胞的位置估计。

图6是序列1的分析结果，其中图(a)x方向上所有细胞瞬时速度估计，图(b)为y方向上所有细胞瞬时速度估计。

图7是序列1的模式1与模式2蚁群个数平均比例曲线。

图8是序列2的分析结果，其中图(a)为多次迭代后信息素场分布结果，图(b)为通过本发明得到的跟踪结果.

图9是序列2的分析结果，其中图(a)为x方向上所有细胞位置估计，图(b)为y方向上所有细胞的位置估计。

图10是序列2的分析结果，其中图(a)x方向上所有细胞瞬时速度估计，图(b)为y方向上所有细胞瞬时速度估计。

图11是通过本发明得到的跟踪结果在位置误差上与其他方法的对比图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

如图1所示，本发明提供了一种基于多模式蚁群系统的变密度细胞跟踪方法，包括以下步骤：

S1、获取若干帧连续的变密度细胞的原始灰度图，选取其中一帧原始灰度图作为当前帧，将当前帧原始灰度图分为c₁×c₂个方块，计算每个方块像素的平均似然度：

${\stackrel{\&OverBar;}{\mathrm{\&eta;}}}_{l,f}=\frac{\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}_i}{P},l=1...c_1,f=1,...c_2,$

其中P为方块内像素的个数，η_i为像素点i的似然函数；

如果则N个蚂蚁随机的放置在方块内的像素上，否则不分配任何蚂蚁；

S2、假定第t-1帧原始灰度图中包含M个细胞,表示为Ω_M:＝{1,2,…,M}，包含有N个蚂蚁的子蚁群用于跟踪第t帧原始灰度图中的细胞m(m∈Ω_M)则有：

$X_m^k(t/t-1)=F^k\left(t\right)X_m^k(t-1/t-1),$

其中，为状态向量，包含x与y方向上的位置与速度信息，F^k(t)为状态转移矩阵；

S3、对包含有N个蚂蚁的子蚁群中任一个蚂蚁，产生一个随机数r，按公式将子蚁群中的蚂蚁分为两组，其中r₀为阈值，其中一组蚂蚁以协作模式工作在它们独立的子信息素场中，另外一组蚂蚁以竞争模式工作在它们独立的自信息素场中，简单的将协作模式称为模式1，竞争模式称为模式2；

S4、利用子信息素场更新蚁群的工作模式，形成总信息素场，对细胞的位置估计：

S401、若子蚁群s(s＝1:n₁+n₂)中的蚂蚁k(k∈Γ₁)位于像素i，蚂蚁k是以协作模式工作，则蚂蚁k选择其邻域中某一像素j的概率为：

其中似然函数定义为 为信息素，α₁,β₁分别为信息素和似然函数值的控制参数，H(i)为像素i的近邻像素集；

蚂蚁k同时释放一定量的信息素△τ₀(如果它选择像素j)，△τ₁(未选择，还处于像素i的位置)；

S402、若子蚁群s(s＝1:n₁+n₂)中的蚂蚁k(k∈Γ₂)位于像素i，蚂蚁k是以竞争模式工作，考虑信息素总量和信息素相对量的作用，蚂蚁k选择其邻域中某一像素j的概率为：

其中，似然函数定义为

是第s个子蚁群在像素j上的信息素量，为信息素总量，定义为α₂,β₂,γ分别为信息素总量、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，蚂蚁k同时释放一定量的信息素△τ₀(选择像素j)或△τ₁(未选择，还处于像素i的位置)；

S403、当所有蚂蚁按上述概率完成选择后，更新像素j的信息素量：

${\mathrm{\&tau;}}_j^s(\hat{t}+1)=(1-\mathrm{\&xi;}){\mathrm{\&tau;}}_j^s\left(\hat{t}\right)+\mathrm{\&Delta;}{\mathrm{\&tau;}}_j^s\left(\hat{t}\right)+{\mathrm{\&kappa;}}_j^s\left(\hat{t}\right),$

并且更新信息素扩散值：

${\mathrm{\&kappa;}}_j^s\left(\hat{t}\right)=\underset{j^{\&prime;}\&Element;H\left(j\right)}{\mathrm{\&Sigma;}}\frac{F}{\left|H\left(j^{\&prime;}\right)\right|}(\mathrm{\&Delta;}{r}_{j^{\&prime;}}^s(\hat{t}-1)+{\mathrm{\&kappa;}}_{j^{\&prime;}}^s(\hat{t}-1));$

S404、n₁+n₂组子蚁群完成迭代后，计算总信息素量 ${\mathrm{\&tau;}}_j(\hat{t}+1)=\underset{s}{\text{\&Sigma;}}{\mathrm{\&tau;}}_j^s(\hat{t}+1);$

S405、像素j上蚂蚁工作模式更新，计算模式更新概率如果则蚂蚁的工作模式发生转换；

S406、根据所需的迭代次数，循环上述步骤S401～S405；

S5、基于总信息素场的构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行细胞位置估计，利用细胞距离与特征信息相融合的策略进行数据关联，获取细胞运动轨迹及相关的动力学参数，具体包括以下步骤：

S501、已知细胞的尺寸范围，设定子蚁群中蚂蚁数量阀值N_th，若某一子蚁群的蚂蚁数量为N，则当N<N_th删除此子蚁群；

S502、任两组子蚁群s_u,s_v，其对应的信息素均为依据已知细胞的尺寸构建相应的正方形方块，计算其面积重叠率a_overlap，若a_overlap>a_th，则两个子蚁群组合并，其中a_th为阈值；

S503、数据关联：利用细胞距离与特征信息相融合的策略进行数据关联获取细胞运动轨迹及其动力学参数。

图4～7为序列1的跟踪结果分析，主要跟踪进入或离开视图细胞及密集细胞。从图4可看出，从第一帧到第四帧细胞1和细胞2聚集，细胞2从第7帧开始离开视图，第16帧又返回到视图中，细胞6从第4帧进入，在第8帧中发生变形而且运动速度变化非常大，细胞7第14帧进入，细胞8第16帧进入，然后它们在细胞3和5附近运动，很显然4个细胞聚集形成密集的细胞团，图5和图6给出了细胞的位置估计及瞬时速度估计，说明本发明提供的跟踪方法成功的跟踪了上述情况。图7以细胞3为例，给出了连续帧中模式1和模式2蚁群数目平均值变化曲线，可看出12帧之前细胞3未与任何细胞交互为独立细胞，其相应子蚁群模式1的数目比例高于模式2，从13帧开始细胞3逐渐向细胞5靠近最后与细胞7、8粘连在一起，其相应子蚁群模式2的数目比例高于模式1，由此充分说明基于细胞图像信息的模式更新策略可实时调整蚂蚁的工作模式，实现细胞密度变化时的准确跟踪。

图8～11为序列2的结果分析，主要跟踪由于细胞运动或碰撞而引起的细胞密度发生变化的情形，参数设为ξ＝0.7,α₁＝0.1,β₁＝0.5,α₂＝1,β₂＝5,γ＝0.5。

由图8(b)看出细胞2和细胞4在44帧碰撞45帧分离，细胞2和细胞4在47帧又一次碰撞49帧分离，细胞5向右移动在43帧已经部分离开视觉范围，44帧中完全消失，从第54帧开始细胞1到4聚集在一起缓慢运动。利用本发明提供的跟踪方法经过50次迭代后，所有细胞都被可靠跟踪。图9给出了本发明提供的跟踪方法对所有细胞在x和y方向上的位置估计，图10给出了用本发明提供的跟踪方法对所有细胞在x和x方向上的瞬时速度的估计，图11给出了不同估计方法对细胞4位置误差估计对比结果，显然本发明提供的跟踪方法的位置误差远小于粒子滤波、多贝努力滤波及GM-PHD方法。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：包括以下步骤：

A)获取若干帧连续的变密度细胞的原始灰度图，选取其中一帧原始灰度图作为当前帧，计算当前帧原始灰度图中像素的平均似然度，并根据计算结果在细胞可能出现的区域内放置蚂蚁，从而获得生成子蚁群初始分布；

B)利用当前帧原始灰度图的前一帧的细胞位置信息预测当前帧的细胞位置信息，从而获得预测子蚁群初始分布；

C)将生成子蚁群初始分布和预测子蚁群初始分布中的蚂蚁根据不同的工作模式分为两组，两组蚂蚁分别根据工作模式构建子信息素场，利用子信息素场更新蚁群的工作模式，形成总信息素场，从而实现对细胞的位置估计；

D)基于总信息素场的构建，通过合并相似子蚁群和去除由杂波导致的虚假目标进行细胞位置估计，利用细胞距离与特征信息相融合的策略进行数据关联，获取细胞运动轨迹及相关的动力学参数。

2.如权利要求1所述的基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：所述步骤A)中，获得生成子蚁群初始分布的具体步骤为：将当前帧原始灰度图分为c₁×c₂个方块，计算每个方块像素的平均似然度：

其中P为方块内像素的个数，η_i为像素点i的似然函数；

如果则N个蚂蚁随机的放置在方块内的像素上，否则不分配任何蚂蚁。

3.如权利要求2所述的基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：所述步骤B)中，获得预测子蚁群初始分布的具体步骤为：假定第t-1帧原始灰度图中包含M个细胞,表示为Ω_M：＝{1，2，…，M}，包含有N个蚂蚁的子蚁群用于跟踪第t帧原始灰度图中的细胞m(m∈Ω_M)则有：

其中，为状态向量，包含x与y方向上的位置与速度信息，F^k(t)为状态转移矩阵。

4.如权利要求3所述的基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：所述步骤C)中的分组方式具体为：对包含有N个蚂蚁的子蚁群中任一个蚂蚁，产生一个随机数r，按公式将子蚁群中的蚂蚁分为两组，其中r₀为阈值，其中一组蚂蚁以协作模式工作在它们独立的子信息素场中，另外一组蚂蚁以竞争模式工作在它们独立的自信息素场中。

5.如权利要求4所述的基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：所述步骤C)中实现对细胞的位置估计的具体步骤为：

a)若子蚁群s(s＝1：n₁+n₂)中的蚂蚁k(k∈Γ₁)位于像素i，蚂蚁k是以协作模式工作，则蚂蚁k选择其邻域中某一像素j的概率为：

其中似然函数定义为 为信息素，α₁,β₁分别为信息素和似然函数值的控制参数，H(i)为像素i的近邻像素集；

蚂蚁k同时释放一定量的信息素△τ₀(如果它选择像素j)，△τ₁(未选择，还处于像素i的位置)；

b)若子蚁群s(s＝1:n₁+n₂)中的蚂蚁k(k∈Γ₂)位于像素i，蚂蚁k是以竞争模式工作，考虑信息素总量和信息素相对量的作用，蚂蚁k选择其邻域中某一像素j的概率为：

其中，似然函数定义为

是第s个子蚁群在像素j上的信息素量，为信息素总量，定义为α₂,β₂,γ分别为信息素总量、似然函数值和信息素相对量的控制参数，H(i)为像素i的近邻像素集，蚂蚁k同时释放一定量的信息素△τ₀(选择像素j)或△τ₁(未选择，还处于像素i的位置)；

c)当所有蚂蚁按上述概率完成选择后，更新像素j的信息素量：

并且更新信息素扩散值：

d)n₁+n₂组子蚁群完成迭代后，计算总信息素量

e)像素j上蚂蚁工作模式更新，计算模式更新概率如果则蚂蚁的工作模式发生转换；

f)根据所需的迭代次数，循环上述步骤a)～e)。

6.如权利要求5所述的基于多模式蚁群系统的变密度细胞跟踪方法，其特征在于：所述步骤D具体包括以下步骤：

1)已知细胞的尺寸范围，设定子蚁群中蚂蚁数量阀值N_th，若某一子蚁群的蚂蚁数量为N，则当N<N_th删除此子蚁群；

2)任两组子蚁群s_u,s_v，其对应的信息素均为依据已知细胞的尺寸构建相应的正方形方块，计算其面积重叠率a_overlap，若a_overlap>a_th，则两个子蚁群组合并，其中a_th为阈值；

3)数据关联：利用细胞距离与特征信息相融合的策略进行数据关联获取细胞运动轨迹及其动力学参数。