CN105303169A - 一种基于慢特征的细胞分裂识别方法及其识别装置 - Google Patents

Abstract

本发明公开了一种基于慢特征的细胞分裂识别方法及其识别装置，方法包括：采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。装置包括：第一获取模块、第二获取模块、第三获取模块和输出模块，本发明降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，便于细胞的识别跟踪处理。

Description

一种基于慢特征的细胞分裂识别方法及其识别装置

技术领域

本发明涉及图像特征和模式识别领域，尤其涉及一种基于慢特征的细胞分裂识别方法及其识别装置，特别涉及到将慢特征应用到细胞领域。

背景技术

细胞生物学是研究细胞结构、功能、以及生命体的重要学科。细胞通过生长、分裂、衰老、死亡等过程，促进生物的发展。其中，细胞分裂促进生物的生长发育，以及新陈代谢，对细胞生长过程中具有重大意义。那么，如何快速准确的识别细胞分裂的过程，对研究细胞的变化、事物的发展具有不可估量的价值。

在对细胞数据的研究过程中，由于原始图像数据量大，通常不作为特征直接参与分类识别，而是通过显微观测，形态分析以及技术统计等，抽取出图像的信息，然后再对处理后的细胞数据进行识别。这一过程叫做特征提取。通过提取后的特征，采用现在数字图像处理技术实现对细胞的自动识别和分析处理。

细胞图像特征提取^[2]常用的几种方法如下：1)基于细胞的形状或结构特征提取，细胞形状对细胞起到保护和支撑作用，该方法利用形态学原理对细胞进行分割和跟踪，然后将所提取的形状特征参数结合起来，描述细胞特征；2)基于细胞的颜色特征提取，通过对细胞颜色特征的提取，可以更好地将不同种类的细胞分离，克服了染色不均、背景复杂等特殊细胞图片捕捉处理的难题；3)基于细胞的纹理特征提取，纹理特征是图像处理和模式识别中主要特征，它是指图像灰度等级的变化，反映了物体图像本身的一种属性，有助于对图像信息进行进一步的处理。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

1)现有基于形状或结构特征提取方法要求对细胞区域的准确分割，但是显微镜图像往往包含较强的噪声，很难准确的分割细胞，因此基于形状特征的方法通常性能较差，泛化能力较低；

2)基于细胞的颜色特征提取，由于细胞比较微小，观测困难，而且受背景，染色等方面的影响比较严重，所以观测跟踪相对困难，存在误判率高、工作效率低等问题；

3)基于相位模型的识别方法往往需要大范围的时序信息进行复杂模型的构建，同时，使得模型的学习具有很高的计算复杂度，降低了细胞分裂识别速率。

发明内容

本发明提供了一种基于慢特征的细胞分裂识别方法及其识别装置，本发明降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，本发明的详细方案如下：

一种基于慢特征的细胞分裂识别方法，所述细胞分裂识别方法包括以下步骤：

采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；

利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；

如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

其中，所述细胞分裂识别方法还包括：

对细胞图像进行灰度图归一化的预处理；

对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集。

其中，对于每个j∈{1,…J}，所述慢特征函数必须满足如下条件，即：

${\mathrm{\&Delta;}}_j=\mathrm{\&Delta;}\left(y_j\right)=<{\stackrel{\&CenterDot;}{y}}_j^2{>}_t$ 最小

其中，Δ_j为变化最缓慢的慢特征；Δ为取到最小值时对应的j的值；表示第j个慢特征y的一阶导数再求平方；表示在时间上t的平均值。

其中，所述模型学习具体为：

支持向量机的模型学习、混合高斯模型学习，贝叶斯模型学习。

另一实施例，一种基于慢特征的细胞分裂识别装置，所述细胞分裂识别装置包括：

第一获取模块，用于采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

第二获取模块，用于求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；

第三获取模块，用于利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；

输出模块，用于如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

所述细胞分裂识别装置还包括：

预处理模块，用于对细胞图像进行灰度图归一化的预处理；

划分模块，用于对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集。

本发明提供的技术方案的有益效果是：

1、本发明利用图像灰度等级的变化反映物体图像本身的属性，能够更加准确的描述细胞图像；

2、本发明降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，便于细胞的识别跟踪处理；

3、采用支持向量机的模型学习方法，降低了模型的学习的计算复杂度，同时使用正负样本来训练模型参数，提高了判别细胞有丝分裂的能力。

附图说明

图1为本发明提供的基于慢特征的细胞分裂识别方法的流程图；

图2为本发明提供的基于慢特征的细胞分裂识别装置的结构示意图；

图3为本发明提供的基于慢特征的细胞分裂识别装置的另一结构示意图。

附图中，各部件的列表如下：

1：第一获取模块；2：第二获取模块；

3：第三获取模块；4：输出模块；

5：预处理模块；6：划分模块。

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，下面对本发明实施方式作进一步地详细描述。

为了能够更加有效的提高识别细胞分裂的能力，本发明实施例提出了一种新的方法对细胞特征进行提取，慢特征分析方法从快速变化的输入信号中提取慢的或者不变的特征^[5]，它已经成功应用在了皮层神经的视觉接收领域的模型中。它可以将变化非常缓慢的信号看作是高频输入信号在高级表示水平上抽象出来的不变量信息，不变量表示事物的固有属性，它的学习一直都是模式识别的重点。同时，对时序信号而言，不变量的学习就是提取慢的特征。它不仅能够保证得到全局最优解，而且能够同时得到变化速率从小到大的排列等一系列特征。慢特征的学习就是为了完成这些任务而提出的。它可以通过高维的输入信号去提取复杂的特征。

实施例1

为了使细胞的特征提取更加的准确，既能很好的检测图像边缘，又能够有效降噪，参见图1，本发明实施例提供了一种基于慢特征的细胞分裂识别方法，该方法包括以下步骤：

101：对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集；

其中，在对细胞图像进行数据集划分之前，该方法还包括对细胞图像进行灰度图归一化的预处理。

102：采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

103：求取细胞慢特征的累计平方偏移特征,获取慢特征变化速率从小到大的排列；

104：利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞图像数据随时间变化的过程是否包含有丝分裂的概率；

105：如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

综上所述，本发明实施例通过上述步骤101-步骤105降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，提升了细胞有丝分裂的判别准确率。

实施例2

下面结合具体的计算公式、例子对实施例1中的方案进行详细描述，详见下文描述：

201：对所有细胞图像进行尺度归一化的预处理；

其中，每个图像序列表示一个细胞分裂序列，每个图像长W，宽H，序列长L。为了简化问题，本发明实施例默认每个待分裂的序列图像已经被提取，不再考虑通过细胞检测和跟踪获得分裂序列的步骤。所以尺寸归一化是对每帧图像进行处理。

在本发明实施例中，设变换原始细胞图像的尺寸为s×s，这里s×s统一设置为25×25进行说明，具体实现时，本发明实施例对细胞的尺寸规格、以及尺度归一化的方法不做任何限制。

202：对预处理后的细胞图像进行数据集划分；

在本实验中，采用现有技术中通用的C2C12小鼠成肌细胞，通过光学显微镜(ZeissAxiovertT135V)在细胞成长过程中，每间隔五分钟进行拍摄。采用人工标注的方式将细胞数据划分为含有有丝分裂的正样本和不含有丝分裂的负样本，便于后续的实验处理。为了使数据集划分更加准确，本发明实施例采用了多种方法进行测试，证明了数据的可用性。本发明实施例对数据集划分的方法不做限制。其中，划分后的数据集表示如下：

即，含有有丝分裂的细胞图像为正样本，表示为其中，i表示正样本图像序号；N₁表示正样本图像总数；p_i表示第i个正样本图像的内容；D_i表示正样本中每帧图像的视觉特征维数；F_i为正样本序列的长度；表示每一个含有有丝分裂的细胞序列的所属范围。

即，不含有丝分裂的细胞图像为负样本，表示为：其中，k表示负样本图像序号；N₂表示负样本图像总数；n_k表示第k个负样本图像的内容；D_k表示负样本中每帧图像的视觉特征维数，与正样本图像的视觉维数相同；F_k为负样本序列的长度；表示每一个不含有有丝分裂的细胞序列的所属范围。

203：在正样本和负样本中随机各抽取一半数据，将其中一部分作为训练集，另一部分作为测试集；

在本实验中，为了使后续试验模型检测的更加准确，本发明实施例选取一半的数据进行模型的训练，其中，训练集包括随机选取的正样本和负样本；测试集也包括随机选取的正样本和负样本。通过随机选取训练集，使后续结果更加具有说服力。

204：采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

慢特征分析方法^[3]主要包括两种，(1)无监督的慢特征分析(2)有监督的慢特征分析。无监督的慢特征分析是指将所有样本序列放在一起，经过慢特征函数学习得到慢特征模型，再将所有模型进行分类；而有监督的慢特征分析是指将不同的样本序列分别进行慢特征函数的学习，直接得到不同的模型。经过大量的实验测试，不失一般性地，选择无监督的慢特征分析方法对细胞数据进行处理得到最优的结果。

其中，无监督慢特征分析的步骤具体为^[4]：

(1)输入I维的细胞图像序列，记为x(t)＝[x₁(t),…,x_I(t)]^T且t∈[t₀,t₁]表示t₀到t₁这一时间段获得的细胞数据；

其中，x₁(t),…,x_I(t)分别表示每个细胞图像随时间的变化；T代表矩阵转置。

(2)通过慢特征分析方法找到一组输入—输出函数^[1]：g(x)＝[g₁(x),…,g_J(x)]^T，使得相应的J维输出信号y(x)＝[y₁(x),…,y_J(x)]^T变化尽可能慢_；

其中，g₁(x),…,g_J(x)为慢特征函数_；y₁(x),…,y_J(x)为通过学习慢特征函数所获得的J个慢特征。

即，对于每个j∈{1,…J}，有y_j(t)＝g_j(x(t))，得到变化尽可能慢的慢特征。y_j(t)为每个细胞图像随时间变化所获得的慢特征；g_j(x(t))为输入细胞图像经过慢特征函数的学习过程；j为最终获得慢特征的个数的编号，即一个I维的细胞图像可以获得J个慢特征。

(3)采用关于时间的一阶导数的平方均值来衡量特征变化速率，即对于每个j∈{1,…,J}，最终获得慢特征函数满足如下条件，即：

${\mathrm{\&Delta;}}_j=\mathrm{\&Delta;}\left(y_j\right)={<{\stackrel{.}{y}}_j^2>}_t$ 最小(1)

其中，Δ_j为变化最缓慢的慢特征；Δ为取到最小值时对应的j的值；表示第j个慢特征y的一阶导数再求平方；表示在时间上t的平均值。

公式(1)表示对于每个j∈{1,…,J}，当取到最小值时，对应的第j个慢特征Δ_j最小，这个最小的输出信号即为细胞数据的最慢的慢特征，即输出信号最小也是慢特征函数选取的限定条件。

205：求取细胞慢特征的累计平方偏移特征,通过累计平方偏移特征的学习，能够更加清晰的描述细胞图像序列的慢特征分布，最终得到特征由慢到快的分布，即慢特征变化速率从小到大的排列；

对于一个图像序列来说，利用其特征来测量该图像序列的拟合程度，而慢特征分析方法利用图像序列的最小平均平方偏移，所以本方法通过图像序列的平方偏移来测量其拟合程度。理想情况下，慢特征的平方偏移量较小，则说明慢特征分析方法成功找到了属于自己的慢的特征。

(1)每个图像序列的平方偏移v_f,K表示为：

$v_{f,K}=\underset{t=1}{\overset{L}{\&Sigma;}}{\&lsqb;C_f(t+1)\&CenterDot;F_K-C_f\left(t\right)\&CenterDot;F_K\&rsqb;}^2---\left(2\right)$

其中，f表示第f个图像序列的特征维数；K表示慢特征的数目，这里慢特征的数目依据实验者自行设置；L表示每一个图像序列的长度，即每一个图像序列在t∈[t₀,t₁]时间内包含L帧图像；t表示当前时刻，C_f(t)表示当前时刻的一帧图像数据；C_f(t+1)表示当前时刻的后一时刻一帧图像数据；F_K表示第K个慢特征；v_f,k表示物体第f个图像序列的第K个慢特征的平方偏移。

(2)对所有图像序列的平方偏移进行累加，则累计平方偏移特征S_ASD表示为：

$S_{ASD}=\underset{f=1}{\overset{N}{\&Sigma;}}{V}_f---\left(3\right)$

其中，V_f＝<v_f,1,v_f,2,…v_f,K>^T；N表示细胞序列的数量。

在本发明实施例中分别令K＝100、200、400、600，实验表明K＝400，结果最佳。由于实验相关参数均由实验者根据场景、数据特征自行设置，本发明实施例对该参数不做任何限制，可以择优选取。

206：利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞图像数据随时间变化的过程是否包含有丝分裂的概率；

不失一般性的，本发明实施例采用支持向量机的模型学习方法。常用的还可以用混合高斯模型，贝叶斯模型等。

支持向量机(SVM)是数据处理，信息挖掘的一门新技术，是利用最优化方法来解决机器学习问题的新工具，在理论研究和算法实现上具有非常大的应用，由于SVM在各个领域中得到越来越广泛的应用，而决定SVM性能的因素是核函数的选取。其中，核函数主要包括线性内核、多项式内核、径向基(RBF)内核、S形内核等，核函数的形式及其参数的确定决定了分类器类型和复杂程度。在本发明实施例中，发现选取支持向量机的RBF核，所得结果更加准确，所以，采用该方法将提取的特征输入分类器模型进行模型学习，通过对训练集进行训练得到相应模型，然后利用测试集进行测试，最终得到细胞数据包含有丝分裂的概率。

207：对细胞数据包含有丝分裂的概率进行判断，规定概率大于某一阈值(例如：80％)，将其标签置为1，即判断准确，细胞分裂过程包含有丝分裂，所得概率小于某一阈值(例如：80％)，将其标签置为0，即判断错误，细胞分裂过程不包含有丝分裂。

其中，阈值由实验者根据实际应用情况自行设置，本发明实施例以80％为例进行说明。

综上所述，本发明实施例通过上述步骤201-步骤207降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，提升了细胞有丝分裂的判别准确率。

实施例3

下面结合具体的表1和表2对实施例1、2中的方案进行可行性验证，详见下文描述：

在本实验中，采用现有技术中通用的C2C12小鼠成肌细胞，通过光学显微镜(ZeissAxiovertT135V)在细胞成长过程中，每间隔五分钟进行拍摄。图像序列一共有1013帧，每幅图像的分辨率为1392*1040。随机选取1000帧细胞图像，对原始的细胞数据进行图像预处理后，利用人工标注的方法对细胞数据进行分类，在标注得到的正例和负例中随机各抽取一半，分别构成训练集与测试集，其中每个图像序列长度为21帧，每一帧图像大小为25*25。之后采用本方法进行慢特征学习。有关细胞类型、细胞培养环境和数据采集设备的信息及参数设置可参考文献。通过本发明实施例所述方法进行多分辨力下的模型学习和测试，通过表1和表2的实验结果，证明了方法的可行性和有效性。

表1

表2

实施例4

一种基于慢特征的细胞分裂识别装置，参见图2，该细胞分裂识别装置包括：

第一获取模块1，用于采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

第二获取模块2，用于求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；

第三获取模块3，用于利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；

输出模块4，用于如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

其中，参见图3，该细胞分裂识别装置还包括：

预处理模块5，用于对细胞图像进行灰度图归一化的预处理；

划分模块6，用于对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集。

本发明实施例对上述模块的执行主体不做限制，可以为单片机、PC机等具有计算功能的器件。

综上所述，本发明实施例通过上述模块降低了细胞特征提取的难度，提高了细胞特征提取的准确性，为后续分裂细胞的识别分类提供了良好的条件，提升了细胞有丝分裂的判别准确率。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

参考文献

[1]ZhangZ,TaoD.SlowFeatureAnalysisforHumanActionRecognition[J].IEEETransactionsonSoftwareEngineering,2012,34(3):436-450.

[2]GonzalezRC,WoodsRE,MastersBR,etal.Digitalimageprocessing,thirdedition.[J].JournalofBiomedicalOptics,2009,14(2):029901.

[3]WiskottL,SejnowskiTJ.Slowfeatureanalysis:unsupervisedlearningofinvariances.[J].NeuralComputation,2002,14(4):715-770.

[4]BerkesP,WiskottL.Slowfeatureanalysisyieldsarichrepertoireofcomplexcellproperties.[J].JournalofVision,2005,5(6):579-602.

[5]FranziusM,WilbertN,WiskottL.InvariantObjectRecognitionwithSlowFeatureAnalysis[C]//Proceedingsofthe18thinternationalconferenceonArtificialNeuralNetworks,PartI.Springer-Verlag,2008:961--970.

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 (6)

1.一种基于慢特征的细胞分裂识别方法，其特征在于，所述细胞分裂识别方法包括以下步骤：

采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；

利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；

如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

2.根据权利要求1所述的一种基于慢特征的细胞分裂识别方法，其特征在于，所述细胞分裂识别方法还包括：

对细胞图像进行灰度图归一化的预处理；

对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集。

3.根据权利要求1所述的一种基于慢特征的细胞分裂识别方法，其特征在于，对于每个j∈{1,…J}，慢特征函数的输出满足如下条件，即：

${\mathrm{\&Delta;}}_j=\mathrm{\&Delta;}\left(y_j\right)=<{\stackrel{\&CenterDot;}{y}}_j^2{>}_t$ 最小

其中，Δ_j为变化最缓慢的慢特征；Δ为取到最小值时对应的j的值；表示第j个慢特征y的一阶导数再求平方；表示在时间上t的平均值。

4.根据权利要求1所述的一种基于慢特征的细胞分裂识别方法，其特征在于，所述模型学习具体为：

支持向量机的模型学习、混合高斯模型学习，贝叶斯模型学习。

5.一种基于慢特征的细胞分裂识别装置，其特征在于，所述细胞分裂识别装置包括：

第一获取模块，用于采用无监督慢特征分析的方式，提取细胞数据获取慢特征函数；

第二获取模块，用于求取细胞慢特征的累计平方偏移特征，获取慢特征变化速率从小到大的排列；

第三获取模块，用于利用模型学习的方法对最终的累计平方偏移特征进行检测，获得细胞数据随时间变化的过程是否包含有丝分裂的概率；

输出模块，用于如果输出类别标记为1，则该测试数据包含有丝分裂，如果输出类别标记为0，则该测试数据不包含有丝分裂。

6.根据权利要求5所述的一种基于慢特征的细胞分裂识别装置，其特征在于，所述细胞分裂识别装置还包括：

预处理模块，用于对细胞图像进行灰度图归一化的预处理；

划分模块，用于对细胞图像进行数据集划分；随机取正例和负例中一半的数据作为训练集和测试集。