一種新的基于細(xì)胞局部圖特征和運(yùn)動(dòng)特征的細(xì)胞跟蹤算法

朱　辰　周慶利　何劍虎

(浙江大學(xué)醫(yī)學(xué)院附屬婦產(chǎn)科醫(yī)院　浙江 杭州 310006)

?

一種新的基于細(xì)胞局部圖特征和運(yùn)動(dòng)特征的細(xì)胞跟蹤算法

朱辰周慶利何劍虎

(浙江大學(xué)醫(yī)學(xué)院附屬婦產(chǎn)科醫(yī)院浙江 杭州 310006)

摘要在跟蹤顯微序列圖像中的細(xì)胞時(shí)，由于存在細(xì)胞分裂、粘連運(yùn)動(dòng)不均勻等問題，影響細(xì)胞分割和跟蹤的準(zhǔn)確性。為了提高細(xì)胞跟蹤的準(zhǔn)確率，提出一種新的跟蹤算法，用于分析顯微序列圖像中細(xì)胞的形態(tài)變化和動(dòng)態(tài)變化。該算法對(duì)移動(dòng)距離不大的細(xì)胞采用由細(xì)胞位移、面積和形變構(gòu)成的細(xì)胞區(qū)域特征來實(shí)現(xiàn)該類細(xì)胞的跟蹤，然后再利用已成功實(shí)現(xiàn)跟蹤的細(xì)胞，構(gòu)造由細(xì)胞之間拓?fù)潢P(guān)系組成的局部圖，最終使用基于局部圖特征和細(xì)胞區(qū)域特征構(gòu)成的混合跟蹤算法實(shí)現(xiàn)活躍細(xì)胞的跟蹤，并對(duì)跟蹤過程中的各種情況進(jìn)行分析處理。用兩個(gè)視頻序列驗(yàn)證該方法的有效性，實(shí)驗(yàn)結(jié)果表明，該算法能夠提高細(xì)胞跟蹤的準(zhǔn)確率分別為10%和6%。

關(guān)鍵詞細(xì)胞分割細(xì)胞跟蹤聚集細(xì)胞局部圖時(shí)間序列圖像

0引言

研究細(xì)胞的運(yùn)動(dòng)是細(xì)胞研究中重要的組成部分之一，對(duì)于揭露細(xì)胞行為(細(xì)胞遷移、細(xì)胞增殖、細(xì)胞死亡和凋亡等)的本質(zhì)和研究生物過程都起到了非常重要的作用[1]。然而由于顯微細(xì)胞圖像存在圖像模糊、細(xì)胞分布雜亂等特點(diǎn)，通過傳統(tǒng)的人工方法分析顯微鏡下拍攝的大量圖片是一件冗長(zhǎng)乏味的事情，而且隨著細(xì)胞圖像數(shù)據(jù)的不斷增加和重復(fù)觀察的需要，顯然人工分析的方法是一項(xiàng)不切實(shí)際的方法。有時(shí)候由于使用了物理化學(xué)等操作使實(shí)驗(yàn)結(jié)果不能夠正確地反映細(xì)胞的自然運(yùn)動(dòng)，因此傳統(tǒng)的細(xì)胞跟蹤方法在技術(shù)日益更新的今天已不再適用。然而跟蹤細(xì)胞的運(yùn)動(dòng)是一項(xiàng)極具挑戰(zhàn)性的工作。在細(xì)胞的追蹤過程中，由于顯微圖像和細(xì)胞自身的特點(diǎn)及細(xì)胞之間具有的相似性，會(huì)出現(xiàn)細(xì)胞重疊、分裂、融合、新出現(xiàn)細(xì)胞和細(xì)胞消失等現(xiàn)象，從而導(dǎo)致誤追蹤。為了解決這些問題，國(guó)內(nèi)外的研究者做了相當(dāng)多的工作，總體上可以把這些研究的方法分為三類：

第一類是基于細(xì)胞形狀描述的參數(shù)模型的跟蹤方法。主動(dòng)輪廓模型[2-4]、mean-shift[5，6]和Level-set[7-11]算法就屬于這一類。但是，主動(dòng)輪廓模型和mean-shift算法無法處理細(xì)胞分裂的情況，而且對(duì)于密集細(xì)胞、移動(dòng)速度很快的細(xì)胞和細(xì)胞邊緣模糊會(huì)出現(xiàn)誤匹配的問題。Level-set 方法可以解決細(xì)胞分裂過程中拓?fù)浣Y(jié)構(gòu)變化的情況，但是如果出現(xiàn)快速移動(dòng)的細(xì)胞或者細(xì)胞從視野中消失或出現(xiàn)時(shí)，就需要再次初始化，否則無法再次實(shí)現(xiàn)細(xì)胞的準(zhǔn)確追蹤。此外，當(dāng)細(xì)胞移動(dòng)到距離很近的時(shí)候，基于參數(shù)模型的方法需要采取另外的操作來阻止細(xì)胞的邊界合并起來。

第二類是基于細(xì)胞分割與檢測(cè)的方法。這種方法由分割和跟蹤兩部分組成。先根據(jù)細(xì)胞圖像亮度、紋理、強(qiáng)度的特點(diǎn)，采用圖像分割技術(shù)檢測(cè)出每一幀中的細(xì)胞，然后在連續(xù)的兩幀中把細(xì)胞一一匹配，直到最后一幀，最終達(dá)到追蹤的目的。采用梯度邊緣檢測(cè)的方法檢測(cè)細(xì)胞，通過相鄰細(xì)胞之間的關(guān)系建立圖的模型完成細(xì)胞的追蹤，但是這種方法由于細(xì)胞檢測(cè)的錯(cuò)誤會(huì)改變細(xì)胞之間的拓?fù)潢P(guān)系，因此可能導(dǎo)致追蹤的錯(cuò)誤[12]。還有就是用分水嶺的方法來檢測(cè)細(xì)胞[13]，但是這種方法在細(xì)胞分割的過程中會(huì)出現(xiàn)過分割和欠分割的情況，而且分割后的形狀和大小也不能夠完全表示原來細(xì)胞的大小，最終會(huì)導(dǎo)致檢測(cè)的錯(cuò)誤，也不能利用這些信息完全處理細(xì)胞形狀變化、運(yùn)動(dòng)變化和分裂的問題。

第三類是基于概率論的方法[14，15]。盡管這種方法非常適合于粒子追蹤，但是用來追蹤顯微鏡中細(xì)胞還不具有穩(wěn)定性。

由于規(guī)范具有不同形狀和運(yùn)動(dòng)特征的細(xì)胞需要大量的假設(shè)條件，因此，在追蹤細(xì)胞的各種形狀變化時(shí)會(huì)遇到困難。而且，基于概率論的方法無法處理細(xì)胞分裂的情況，所以把概率論的方法應(yīng)用到細(xì)胞的跟蹤中，往往不能取得很好的跟蹤效果。

針對(duì)傳統(tǒng)的細(xì)胞跟蹤算法存在跟蹤準(zhǔn)確度不高的問題，本文把圖論的思想融入到細(xì)胞追蹤中，研究提出的是一種基于細(xì)胞局部圖特征和運(yùn)動(dòng)特征的細(xì)胞跟蹤算法。對(duì)活躍程度不同的細(xì)胞進(jìn)行分別跟蹤，對(duì)移動(dòng)距離小的細(xì)胞采取基于細(xì)胞區(qū)域特征的算法實(shí)現(xiàn)此類細(xì)胞的跟蹤。在跟蹤成功細(xì)胞的基礎(chǔ)上，把基于細(xì)胞區(qū)域特征和局部圖特征結(jié)合在一起形成一種新的細(xì)胞跟蹤算法實(shí)現(xiàn)其余細(xì)胞的跟蹤?？朔酥挥脠D論算法只能跟蹤細(xì)胞拓?fù)浣Y(jié)構(gòu)變化很小和基于參數(shù)模型的跟蹤算法不能追蹤細(xì)胞分裂的缺點(diǎn)。最終試驗(yàn)結(jié)果表明，本文提出的算法在提高細(xì)胞跟蹤準(zhǔn)確度和細(xì)胞分裂的判斷取得了顯著的效果。

1細(xì)胞圖像分割

顯微細(xì)胞圖像的準(zhǔn)確分割是顯微細(xì)胞動(dòng)態(tài)分析中研究的關(guān)鍵環(huán)節(jié)和難點(diǎn)之一，往往需要針對(duì)不同的細(xì)胞圖像類別采取不同的分割方法。由于細(xì)胞圖像本身具有復(fù)雜的自然屬性和結(jié)構(gòu)特性如光照的影響、邊界模糊、信噪比低、重疊細(xì)胞等問題，傳統(tǒng)的基于邊緣檢測(cè)和區(qū)域的方法在細(xì)胞圖像分割中往往很難得到理想的分割結(jié)果[16，17]，因此很少被采用。相反基于閾值的方法和基于模型的方法在顯微細(xì)胞圖像分割中具有很大的優(yōu)勢(shì)，能更有效地提取細(xì)胞區(qū)域，因此本文主要采用這兩類方法進(jìn)行細(xì)胞圖像的分割。

本文研究采用的兩種細(xì)胞視頻，一是從生物相關(guān)視頻庫中獲取的組蛋白家族之一的pAFV細(xì)胞熒光視頻和英國(guó)劍橋大學(xué)腫瘤細(xì)胞研究所提供的膀胱癌T24相稱顯微(Phase-Microscopy)細(xì)胞視頻。借助于MATLAB中圖像處理工具箱，分別將視頻轉(zhuǎn)換得到連續(xù)的不同時(shí)刻的細(xì)胞圖像。如圖1(a)所示是pAFV細(xì)胞圖像序列中第19幀的原圖像。從圖中可以看出細(xì)胞目標(biāo)區(qū)域與背景區(qū)域有很明顯的對(duì)比度，因此運(yùn)用基于OSTU閾值的細(xì)胞圖像分割方法就可以把潛在的細(xì)胞區(qū)域從背景區(qū)域中提取出來。圖1(b)顯示了細(xì)胞圖像的分割結(jié)果。膀胱癌T24圖像序列中的第64幀圖如圖2(a)所示。從原圖中可以看出，細(xì)胞目標(biāo)區(qū)域與背景區(qū)域的對(duì)比度不明顯，有的細(xì)胞周圍還存在光環(huán)和偽影，采用傳統(tǒng)的基于閾值的分割方法，不能很好地分割這類圖像，因此需要先用高斯濾波器對(duì)圖像進(jìn)行預(yù)處理，然后采用水平集的方法得到細(xì)胞的區(qū)域輪廓。本文選擇Li提出的一種改進(jìn)的不需要重新初始化輪廓的能量水平集算法。圖2(f)是利用Li提出的改進(jìn)的水平集方法對(duì)膀胱癌T24細(xì)胞圖像序列中第64幀圖像經(jīng)過2500次迭代后得到的實(shí)驗(yàn)結(jié)果，細(xì)胞的邊緣輪廓用深色線表示。

從圖1(b)和圖2(f)可以看到，分割結(jié)果中還存在孤立細(xì)胞、細(xì)胞聚團(tuán)和粘連現(xiàn)象，并且一些噪點(diǎn)沒有去除，采取我們以前提出的形態(tài)學(xué)處理方法進(jìn)行處理，最終得到的分割結(jié)果如圖3所示。

圖1　pAFV細(xì)胞圖像的分割

圖2　第64幀膀胱癌細(xì)胞圖像分割

圖3　細(xì)胞圖像序列分割最終結(jié)果

2細(xì)胞跟蹤

細(xì)胞跟蹤算法的過程是首先在細(xì)胞序列圖片的第一幀中進(jìn)行區(qū)域標(biāo)記，并標(biāo)記不同的標(biāo)號(hào)。在下一幀中找到各個(gè)細(xì)胞相應(yīng)的匹配細(xì)胞，然后進(jìn)行符號(hào)標(biāo)記，直至最后一幀結(jié)束。但是由于細(xì)胞數(shù)量多、細(xì)胞之間區(qū)別比較小、細(xì)胞分裂等特征，對(duì)于活躍細(xì)胞只運(yùn)用細(xì)胞的運(yùn)動(dòng)特征(位移變化參數(shù)Edisplacement，面積變化參數(shù)Earea和形狀變化參數(shù)Edeformation)很難發(fā)現(xiàn)正確的細(xì)胞匹配對(duì)，常常出現(xiàn)誤追蹤。為了克服這種問題，我們把活躍程度不同的細(xì)胞進(jìn)行分類跟蹤，將細(xì)胞的局部圖特征和運(yùn)動(dòng)特征結(jié)合起來完成活躍細(xì)胞的跟蹤。

2.1特征參數(shù)

描述細(xì)胞運(yùn)動(dòng)特征的參數(shù)主要有位移變化參數(shù)Edisplacement、面積變化參數(shù)Earea和形狀變化參數(shù)Edeformation這些參數(shù)在文獻(xiàn)[18]中已經(jīng)證明在細(xì)胞跟蹤中能夠取得很好的效果。

(1) 位移變化參數(shù)Edisplacement反映了細(xì)胞在相鄰兩幀圖片之間的移動(dòng)距離大小，可以用式(1)來計(jì)算：

(1)

式中H和W分別是圖像的高度和寬度。Di,j表示細(xì)胞i和細(xì)胞j之間的歐式距離，可以用式(2)計(jì)算：

(2)

式中(xi,yi)和(xj,yj)分別表示細(xì)胞i和細(xì)胞j的坐標(biāo)。

(2) 面積變化參數(shù)Earea反映了細(xì)胞在相鄰兩幀圖片之間的變化大小，其計(jì)算方式如式(3)所示：

(3)

(3) 形狀變化參數(shù)Edeformation表示細(xì)胞在相鄰兩幀之間的形狀變化，其計(jì)算方式如式(4)所示。

(4)

式中Q=(4πArea)/Perimeter2，Qit和Qjt+1分別表示細(xì)胞i和細(xì)胞j在t和t+1時(shí)刻的圓形度。

除了細(xì)胞運(yùn)動(dòng)特征參數(shù)之外，為了克服活躍細(xì)胞的跟蹤問題，我們將局部圖的體征引入到跟蹤算法中。把局部圖的建立方法運(yùn)用到細(xì)胞圖像中，需要考慮構(gòu)造的局部圖能否充分反映細(xì)胞之間的關(guān)系，所以我們把圖中的頂點(diǎn)用來表示圖像中的一個(gè)細(xì)胞，相鄰的細(xì)胞用一條邊連接。然后對(duì)于相鄰兩個(gè)細(xì)胞之間連系的緊密程度則可以用權(quán)值的大小來反映。如圖4所示分別在t幀和t+1幀中以細(xì)胞ci和細(xì)胞cj的中心建立一個(gè)局部圖。局部圖結(jié)構(gòu)中自動(dòng)包含了細(xì)胞之間的相對(duì)位置關(guān)系，比如相對(duì)距離和方向的大小。如果細(xì)胞沒有發(fā)生分裂，則局部圖的拓?fù)潢P(guān)系不會(huì)發(fā)生很大的改變。因此我們可以借助兩個(gè)局部圖的特征來完成t幀和t+1幀中部分細(xì)胞的匹配。后面基于局部圖特征的細(xì)胞跟蹤會(huì)用到局部圖之間相似性度量這個(gè)概念，在此給出兩個(gè)局部圖之間的相似性度量EL(ci,cj)的計(jì)算方法[21]如式(5)所示。

圖4　細(xì)胞局部圖示意圖

(5)

式中cki是細(xì)胞ci的相鄰細(xì)胞，ckj是細(xì)胞cj的相鄰細(xì)胞，lck i ,ci(t)和lck j ,cj(t+ 1)圖中邊的長(zhǎng)度，θck i ,ci(t)和θck i ,ci(t) 是細(xì)胞ci和細(xì)胞cj與相鄰細(xì)胞的連線與水平方向的角度[21]。

2.2細(xì)胞跟蹤算法

本文為了提高細(xì)胞跟蹤的準(zhǔn)確率，把細(xì)胞局部圖特征與細(xì)胞運(yùn)動(dòng)特征結(jié)合在一起，提出一種新的細(xì)胞跟蹤算法，算法流程如圖5所示。

圖5　細(xì)胞跟蹤算法流程圖

2.2.1基于區(qū)域重疊法的惰性細(xì)胞跟蹤

由于相鄰幀之間時(shí)間間隔很小，有些細(xì)胞在前后幀中移動(dòng)距離很小。我們通過計(jì)算t幀和t+1幀中細(xì)胞之間的歐式距離完成此類細(xì)胞的匹配。假設(shè)細(xì)胞i是在t幀中一個(gè)細(xì)胞，通過長(zhǎng)度為細(xì)胞平均半徑中心為細(xì)胞i的中心的圓形區(qū)域搜索找到細(xì)胞i的候選細(xì)胞。再利用式(6)計(jì)算細(xì)胞i與各個(gè)侯選細(xì)胞之間的相似度ER(ci,cj)。ER(ci,cj)最小的細(xì)胞j表明與細(xì)胞i重疊的區(qū)域最大，則認(rèn)為細(xì)胞i和細(xì)胞j是一對(duì)匹配成功的細(xì)胞對(duì)。

ER(ci,cj)=λ1Edisplacement+λ2Earea+λ3Edeformation

(6)

式中ci和cj分別表示細(xì)胞i和細(xì)胞j，λ1、λ2和λ3表示細(xì)胞區(qū)域特征參數(shù)在相似度函數(shù)中的權(quán)重。他們?nèi)≈捣秶?和1之間，之和為1。

2.2.2基于細(xì)胞區(qū)域特征和局部圖特征的活躍細(xì)胞跟蹤

細(xì)胞的運(yùn)動(dòng)是無規(guī)則不均勻的運(yùn)動(dòng)，因此在細(xì)胞運(yùn)動(dòng)過程中，活性很強(qiáng)的細(xì)胞會(huì)發(fā)生跳躍運(yùn)動(dòng)[19，20]，即細(xì)胞在相鄰兩幀之間的移動(dòng)距離比較大。之所以發(fā)生這種現(xiàn)象，是因?yàn)榧?xì)胞內(nèi)ATP分子的化學(xué)能在短時(shí)間間隔內(nèi)轉(zhuǎn)換為機(jī)械能[20]。對(duì)于這類細(xì)胞，運(yùn)用基于區(qū)域特征的細(xì)胞跟蹤方法往往會(huì)發(fā)生錯(cuò)誤，因?yàn)樵谒阉鞔ヅ浼?xì)胞的候選細(xì)胞時(shí)是在一定區(qū)域內(nèi)搜索的。而此時(shí)真正的候選細(xì)胞由于移動(dòng)距離的變大已經(jīng)超出了搜索的范圍。因此，本文在基于區(qū)域特征的細(xì)胞跟蹤方法的基礎(chǔ)上研究基于細(xì)胞區(qū)域特征和局部圖特征的細(xì)胞跟蹤算法。在介紹具體的算法步驟之前先引入新的細(xì)胞匹配相似度E(ci,cj)的計(jì)算，E(ci,cj)的計(jì)算方法如式(7)所示：

E(ci,cj)=β1EL(ci,cj)+β2ER(ci,cj)

(7)

式中E(ci,cj)表示移動(dòng)距離比較大的ci和cj相似度大小，ER(ci,cj)和EL(ci,cj)分別表示細(xì)胞區(qū)域特征相似度和局部圖特征相似度。β1和β2表示細(xì)胞區(qū)域特征參數(shù)在相似度函數(shù)中的權(quán)重。他們?nèi)≈捣秶?和1之間，之和為1。

本文提出的基于細(xì)胞區(qū)域特征和局部圖特征的細(xì)胞跟蹤算法用于移動(dòng)距離比較大的細(xì)胞跟蹤。該算法是在基于細(xì)胞區(qū)域特征跟蹤算法所成功跟蹤細(xì)胞的基礎(chǔ)上發(fā)展得來的，因此具有很高的準(zhǔn)確性。結(jié)合圖5中提到的基于細(xì)胞區(qū)域特征和局部圖特征的細(xì)胞跟蹤算法，給出的具體核心編程算法步驟如下：

(1) 采用全局搜索的方法搜索第一幀中遺留下的還沒有匹配成功的細(xì)胞。

(2) 在下一幀中，根據(jù)沒有被匹配成功細(xì)胞的質(zhì)心求出與待匹配細(xì)胞的歐式距離L1，如果L1<4d(d是細(xì)胞運(yùn)動(dòng)的平均距離，通過對(duì)移動(dòng)距離比較大的細(xì)胞進(jìn)行統(tǒng)計(jì)，其移動(dòng)距離不會(huì)大于4d)，則認(rèn)為該細(xì)胞是待跟蹤細(xì)胞的候選細(xì)胞，并記錄所有的候選細(xì)胞信息。

(3) 分別在第一幀圖中和下一幀圖中以待匹配細(xì)胞和候選細(xì)胞為中心，以匹配成功的細(xì)胞對(duì)為相鄰細(xì)胞建立兩個(gè)局部圖，并計(jì)算局部圖相似度EL(ci,cj)。

(4) 對(duì)候選細(xì)胞中的所有細(xì)胞，再分別計(jì)算與待跟蹤細(xì)胞之間的相似度E(ci,cj)(相似度可由式(7)計(jì)算得到)，則相似度值E(ci,cj)最小的候選細(xì)胞與待匹配細(xì)胞是一對(duì)細(xì)胞對(duì)，將當(dāng)前幀中待匹配的細(xì)胞號(hào)賦給該候選細(xì)胞，并記錄匹配成功的信息。

(5) 重復(fù)步驟(1)到(4)，直至完成第一幀中所有滿足條件的細(xì)胞匹配。

(6) 再以第二幀為初始幀重復(fù)步驟(1)到(5)，直至所有幀結(jié)束，至此完成所有細(xì)胞的跟蹤。

2.3細(xì)胞跟蹤過程中各種情況分析

2.3.1細(xì)胞消失和新出現(xiàn)的處理

細(xì)胞追蹤過程中存在比較重要的問題就是細(xì)胞消失和新出現(xiàn)。如果在當(dāng)前幀中存在一個(gè)細(xì)胞沒有找到與前一幀中能夠匹配成功的細(xì)胞，則認(rèn)為前一幀中的這個(gè)細(xì)胞是丟失的，并且記錄丟失細(xì)胞的信息。產(chǎn)生丟失細(xì)胞的主要原因是細(xì)胞處在圖像邊緣處、細(xì)胞死亡和細(xì)胞重疊現(xiàn)象。對(duì)于細(xì)胞重疊的現(xiàn)象，根據(jù)前面記錄的細(xì)胞丟失信息，則可以找到再次出現(xiàn)的細(xì)胞。

細(xì)胞的新出現(xiàn)是細(xì)胞跟蹤過程中最常見的現(xiàn)象，因?yàn)榧?xì)胞在運(yùn)動(dòng)過程中會(huì)發(fā)生細(xì)胞分裂，此外，細(xì)胞從圖像邊緣進(jìn)入視野也是一個(gè)原因。在當(dāng)前幀中，如果通過全局搜索發(fā)現(xiàn)了新的細(xì)胞，并且在前一幀中沒有出現(xiàn)過，則認(rèn)為該細(xì)胞是新出現(xiàn)的細(xì)胞，對(duì)新出現(xiàn)的細(xì)胞進(jìn)行判斷；如果不是圖像邊緣細(xì)胞，則認(rèn)為是由于細(xì)胞分類產(chǎn)生的新的細(xì)胞，則記錄這類細(xì)胞的信息，并給這類細(xì)胞分配新的細(xì)胞記號(hào)ID。細(xì)胞的分裂在細(xì)胞跟蹤完成后進(jìn)行處理，下面介紹處理的過程。

2.3.2細(xì)胞分裂檢測(cè)

前面介紹的基于細(xì)胞區(qū)域和局部圖特征的細(xì)胞跟蹤方法是一對(duì)一的細(xì)胞匹配過程，因此對(duì)于細(xì)胞分裂的跟蹤只能跟蹤其中一個(gè)子細(xì)胞，而另外一個(gè)不能正常跟蹤。為了對(duì)細(xì)胞分裂做出檢測(cè)，首先研究細(xì)胞分裂時(shí)的特征。根據(jù)細(xì)胞生物學(xué)的理論知識(shí)，細(xì)胞分裂時(shí)會(huì)表現(xiàn)出如下特征[10]：

(1) 母細(xì)胞C發(fā)生分裂時(shí)，會(huì)分裂成C1和C2兩個(gè)子細(xì)胞，這兩個(gè)細(xì)胞中，其中一個(gè)細(xì)胞會(huì)被推離母細(xì)胞的位置，而另一個(gè)細(xì)胞還處在母細(xì)胞的位置上。

(2) 當(dāng)母細(xì)胞要分裂成兩個(gè)子細(xì)胞時(shí)，細(xì)胞會(huì)變圓、變亮。

(3) 兩個(gè)子細(xì)胞的距離非常近。

(4) 子細(xì)胞的面積會(huì)變小，細(xì)胞C1和C2的面積之和與母細(xì)胞的面積相近。

因此，當(dāng)細(xì)胞發(fā)生分裂時(shí)，可以先用基于細(xì)胞區(qū)域特征和局部圖特征的方法跟蹤其中的一個(gè)子細(xì)胞，再利用上面的分裂時(shí)特征來跟蹤另外一個(gè)子細(xì)胞。在此需要說明一點(diǎn)是新出現(xiàn)細(xì)胞中是從邊界進(jìn)入視野的情況是需要排除的。

對(duì)與細(xì)胞分裂的檢測(cè)，首先統(tǒng)計(jì)出當(dāng)前幀和前一幀中的細(xì)胞個(gè)數(shù)N1和N2，如果除去由于邊界細(xì)胞導(dǎo)致的新出現(xiàn)細(xì)胞的情況后，N1大于N2，則說明前一幀中的細(xì)胞發(fā)生了細(xì)胞分裂的情況。對(duì)與分裂細(xì)胞的跟蹤過程如下：首先在當(dāng)前幀中找到跟蹤成功的一個(gè)子細(xì)胞C1，根據(jù)細(xì)胞分裂特征(3)，通過距離搜索找到另一個(gè)子細(xì)胞C2；然后計(jì)算細(xì)胞C1和C2的面積之和，根據(jù)細(xì)胞分裂特征(4)，如果兩個(gè)子細(xì)胞的面積之和與母細(xì)胞的面積之差小于設(shè)定的閾值，則認(rèn)為細(xì)胞C2是由母細(xì)胞C分裂出來的子細(xì)胞，并記錄細(xì)胞分裂的信息。

3實(shí)驗(yàn)結(jié)果分析

在分割的結(jié)果上進(jìn)行細(xì)胞的跟蹤實(shí)驗(yàn)，分別對(duì)不同的兩個(gè)細(xì)胞視頻序列在Windows 2007下使用MATLAB 2010a編程完成。實(shí)驗(yàn)環(huán)境為：CPU主頻是Intel(R) Xeon(R) 3.2 GHz ，內(nèi)存8 GB，硬盤2 TB，顯卡芯片NVIDIA Quadro 2000。 兩個(gè)細(xì)胞分布不同的視頻序列用于測(cè)試本文提出算法的有效性。第一個(gè)視頻序列是由640×480像素的200幀光學(xué)顯微鏡熒光染色的pAFV細(xì)胞圖像組成；第二個(gè)是與我們實(shí)驗(yàn)室合作的英國(guó)劍橋大學(xué)腫瘤細(xì)胞研究所提供的1600×1200像素的200幀的膀胱癌細(xì)胞灰度圖像組成。pAFV細(xì)胞圖像序列中由于細(xì)胞分裂存在細(xì)胞的個(gè)數(shù)越來越多，而由劍橋大學(xué)提供的膀胱癌T24相稱顯微細(xì)胞圖像序列中細(xì)胞數(shù)量不多，甚至由于細(xì)胞的死亡，細(xì)胞的數(shù)量還會(huì)減少。如圖6所示是pAFV細(xì)胞圖像序列中第8～10幀跟蹤結(jié)果的部分剪裁圖。

圖6　 pAFV細(xì)胞跟蹤結(jié)果圖

實(shí)驗(yàn)過程中式(7)中的權(quán)重參數(shù)β1和β2的取值與區(qū)域特征和局部圖特征密切相關(guān)。對(duì)于細(xì)胞聚集比較疏的細(xì)胞圖像β1取值大于β2，對(duì)于細(xì)胞聚集比較密的圖像β2取值大于β1，本實(shí)驗(yàn)中細(xì)胞聚集比較均勻，因此β1和β2都取0.5。式(6)中α1、α2和α3直接與細(xì)胞活躍程度有關(guān)。移動(dòng)距離大小是主要影響因素，面積變化程度和圓形度變化程度是次要影響因素，經(jīng)過反復(fù)實(shí)驗(yàn)，式(6)中α1、α2和α3中的值分別是0.5、0.3和0.2，可以取得最好的跟蹤準(zhǔn)確性。從實(shí)驗(yàn)結(jié)果中可以看到文獻(xiàn)[18]提出的細(xì)胞跟蹤算法，在跟蹤ID號(hào)為10的細(xì)胞時(shí)發(fā)生了錯(cuò)誤。而本文算法在基于區(qū)域特征細(xì)胞跟蹤算法的基礎(chǔ)上局部圖特征后很明顯地能夠糾正此類錯(cuò)誤。

為了更好地說明本文提出算法的有效性，隨機(jī)對(duì)pAFV細(xì)胞圖像序列和膀胱癌T24相稱顯微細(xì)胞圖像序列的跟蹤準(zhǔn)確率進(jìn)行了人工統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表1和表2所示。從表中可以看出，本文提出的細(xì)胞跟蹤算法在細(xì)胞跟蹤準(zhǔn)確率方面比文獻(xiàn)[18]和文獻(xiàn)[21]中的算法分別提高10%和6%左右。只是隨著細(xì)胞跟蹤的進(jìn)行，由于細(xì)胞個(gè)數(shù)的不斷增加(如pAFV細(xì)胞圖像序列)和細(xì)胞死亡(如膀胱癌T24相稱顯微細(xì)胞圖像序列)，細(xì)胞跟蹤的準(zhǔn)確率會(huì)有所下降。從pAFV和膀胱癌細(xì)胞圖像跟蹤的準(zhǔn)確率中還可以看出，拍攝細(xì)胞視頻的環(huán)境對(duì)細(xì)胞跟蹤的結(jié)果有直接的影響。膀胱癌細(xì)胞視頻中由于存在噪音會(huì)被誤認(rèn)為是細(xì)胞、細(xì)胞進(jìn)入離開視野中和細(xì)胞分裂比較頻繁是造成細(xì)胞跟蹤準(zhǔn)確率低的主要因素。

表1　pAFV細(xì)胞圖像序列細(xì)胞跟蹤準(zhǔn)確率統(tǒng)計(jì)結(jié)果

表2　膀胱癌T24相稱顯微細(xì)胞圖像序列的跟蹤準(zhǔn)確率統(tǒng)計(jì)結(jié)果

4結(jié)語

本文研究將局部圖特征引入到細(xì)胞跟蹤中，并根據(jù)細(xì)胞活躍程度的不同，實(shí)現(xiàn)分類追蹤。對(duì)與移動(dòng)距離小的細(xì)胞采取基于區(qū)域特征的細(xì)胞跟蹤算法，對(duì)移動(dòng)距離大的細(xì)胞采取基于區(qū)域特征和局部圖特征的混合細(xì)胞跟蹤算法，并對(duì)細(xì)胞跟蹤過程中出現(xiàn)的細(xì)胞消失、出現(xiàn)和分裂等問題進(jìn)行了修正。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠有效地實(shí)現(xiàn)對(duì)pAFV細(xì)胞圖像序列和膀胱癌T24相稱顯微細(xì)胞圖像序列中的細(xì)胞跟蹤。實(shí)驗(yàn)結(jié)果表明該算法在跟蹤準(zhǔn)確率方面比其他算法有了明顯的提高,因此為劍橋大學(xué)腫瘤細(xì)胞研究所的相關(guān)人員研究細(xì)胞的動(dòng)態(tài)分析提供更好的基礎(chǔ)。

在細(xì)胞跟蹤的基礎(chǔ)上，可以研究細(xì)胞的動(dòng)態(tài)參數(shù)變化情況，如圖7所示。細(xì)胞的動(dòng)態(tài)參數(shù)主要包括細(xì)胞面積、數(shù)量、位移、速度、分裂等，這些參數(shù)在生物研究中都起到了重要的作用[22]，如傷口愈合實(shí)驗(yàn)、干細(xì)胞制造等。傷口愈合實(shí)驗(yàn)在生物學(xué)和醫(yī)學(xué)的研究中應(yīng)用非常廣泛，在實(shí)驗(yàn)過程中，需要分析傷口愈合的過程即在不同的藥物影響下觀察細(xì)胞從傷口邊緣向受傷區(qū)域遷移的過程。在此過程中通過定量分析大量細(xì)胞的面積和速度的變化從而發(fā)現(xiàn)新的有效的藥物。而干細(xì)胞制造主要是為了滿足疾病治療過程中的需要，為了檢測(cè)干細(xì)胞的培養(yǎng)情況，需要實(shí)時(shí)監(jiān)控細(xì)胞的生長(zhǎng)速度、細(xì)胞數(shù)量變化和細(xì)胞分裂快慢等。所以，研究細(xì)胞動(dòng)態(tài)參數(shù)對(duì)于細(xì)胞動(dòng)態(tài)分析非常重要。

圖7　pAFV細(xì)胞動(dòng)態(tài)參數(shù)變化

[1] Moritz F K, Sanjiv S G, Jan G. Noninvasive cell tracking methods[J]. Nature reviews clinical oncology, 2012,8(11):677-687.

[2] Le L, Jiang L, Qian L,et al. Single-particle tracking and modulation of cell entry pathways of a tetrahedral DNA nanostructure in live cells [J].Angewandte chemie international edition, 2014, 53(30):7745-7750.

[3] Zimmer C, M-Yedid V, Guillen N. Segmentation and tracking of migrating cells in video microscopy with parametric active contours: a tool for cell-based drug testing[J].IEEE Transactions on Medical Imaging, 2002,21(10):1212-1221.

[4] Till S, Mille K, Kathy M. Inducible cell labeling an d lineage tracking during fracture repair[J]. Development growth and differentiation, 2013, 57(1):10-23.

[5] Li S X, Chang H X, Zhu C F. Adaptive pyramid mean shift for global real-time visual tracking[J].Image and vision computing, 2010, 28(3):424-437.

[6] Ido L, Microsoft I R.Mean shift trackers with cross-bin metrics[J].IEEE Transactions on pattern analysis and machine intelligence, 2012, 34(4): 695-706.

[7] Ker D F, Weiss L E, Sandboth M F. Automating the decision process for real-time adaptive subculture of stem cells[J].PLoS ONE , 2011:6(11),436.

[8] Pratixa P J, Soon J Y, Yunsheng. Development and optimization of near-IR contrast agents for immune cell tracking[J]. Biomed opt express, 2013,4(11):2609-2618.

[9] Dufour A, Shinin V, Tajbakhsh S. Segmenting and tracking fluorescent cells in dynamic 3D microscopy with coupled active surfaces[J]. IEEE Transactions on Image Processing, 2005,14 (9):1396-1410.

[10] Ma J F, Hou K, Bao S L. A new level set model for cell image segmentation [J].Chinese physics, 2011, 20(2): 1-7.

[11] Dzyubachyk O, Niessen W. A variational model for level-set based cell tracking in time-lapse fluorescence microscopy images[C]//4th IEEE International Symposium on Biomedical Imaging, 2010:12-15.

[12] Li F, Zhaou X, Ma J. Multiple nuclei tracking using integer programming for quantitative cancer cell cycle analysis[J].IEEE Transactions on Medical Imaging, 2010, 29(1):96-105.

[13] Huang J, Hu W D. Group tracking of space objects within Bayesian framweork[J].Journal of radars, 2013, 2(1):86-96.

[14] Godinez W J, Lampe M, Worz S. Tracking of virus particles in time-lapse fluorescence microscopy image sequences[J].IEEE International Symposium on Biomedical Imaging, 2008, 1431(472): 448-552.

[15] Kachouie N N, Fieguth P, Ramunas J. Probabilistic model based cell tracking[J].International Journal of Biomedical Imaging, 2008, 121(86):1-10.

[16] 許東濱. 基于水平集和局部灰度閾值的神經(jīng)干細(xì)胞圖像序列的分割算法[D]. 哈爾濱工程大學(xué)， 2010.

[17] William B, David K, Gary T. Segmentation of Nuclei in Confocal Image Stacks Using Performance Based Thresholding [J].International Symposium on Biomedical Imaging, 2007, 12(15):53-56.

[18] M Ali A, Dewan M A. Tracking Biological Cells in Time-lapse Microscopy: An Adaptive Technique Combining Motion and Topological Features[J]. IEEE Transactions on Biomedical Engineering ,2013, 58(6):1637-1647.

[19] 唐孝威.活細(xì)胞內(nèi)微粒跳躍運(yùn)動(dòng)理論[J].科學(xué)通報(bào)，1992(1)：66-71.

[20] 唐孝威.活細(xì)胞內(nèi)微粒跳躍運(yùn)動(dòng)和布朗運(yùn)動(dòng)[J].科學(xué)通報(bào),1992(1)：25-28.

[21] Min L, Reddy G. Exploiting local structure for tracking plant cells in noisy images[C]//IEEE international conference on image processing, ICIP,2012:1765-1768.

[22] Nathan P W, Guillaume A, Peter M, et al. Time-resolved three-Dimensional molecular tracking in live cells[J]. Nano Letters, 2010,10(11):4732-4737.

收稿日期：2015-01-29。國(guó)家自然科學(xué)基金項(xiàng)目(61173096)。朱辰，碩士，主研領(lǐng)域：圖形圖像處理，醫(yī)學(xué)圖像處理。周慶利，研究員。何劍虎，高工。

中圖分類號(hào)TP3

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.07.042

A NOVEL CELL TRACKING ALGORITHM BASED ON CELL LOCAL GRAPH FEATURE AND MOTION FEATURE

Zhu ChenZhou QingliHe Jianhu

(Women’sHospital，SchoolofMedicine，ZhejiangUniversity,Hangzhou310006,Zhejiang,China)

AbstractThe presence of cell division, adhesion and uneven movement affect the accuracy of cell segmentation and tracking when the cell in microscopic sequence images is tracked. In order to improve the cell tracking accuracy, this paper proposes a novel tracking algorithm used for analysing the morphological change and dynamical change of cell in microscopic sequence image. For those cells with little moving distance, this algorithm uses the cell region features consisted of cell displacement, area and deformation to achieve the track on them, and then makes use of these successfully tracked cells to construct the local graph composed of the topological relations between cells, and finally uses the hybrid tracking algorithm, which is constructed based on local graph features and cell region features, to achieve the track on the active cells, and analyses and processes various situations appeared during cell tracking process. Two video sequences are used to verify the effectiveness of this method. Experimental results show that the proposed algorithm can improve 10% and 6% in cell tracking accuracy respectively.

KeywordsCell segmentationCell trackingAggregating cellLocal graphTime-series images