[发明专利]基于支持向量机排序的有丝分裂定位和识别的方法

说明书

本发明公开了一种基于支持向量机排序的有丝分裂定位和识别的方法，包括：对候选子序列的每一帧图像分别提取HOG、SIFT以及Gist三种视觉特征向量，将提取的视觉特征向量串联作为候选子序列的视觉特征；对视觉特征利用SVM‑rank方法，将学习到的排序函数的参数向量作为对象帧特征向量；将整合后的具有时序性的特征向量作为图像序列每一帧特征，该特征表征了对象帧所包含的时序信息；在排序的特征向量上训练线性SVM分类器来预测每一帧的阶段标签，获取每个阶段的起始帧位置、以及帧数目；若某序列包含完整的四个阶段，并且满足四个阶段间的顺序信息，那么该序列包含了一个分裂事件。本方法提高了识别的准确率。

技术领域

本发明涉及有丝分裂事件检测领域，尤其涉及一种基于支持向量机排序的有丝分裂定位和识别的方法。

背景技术

细胞作为生命体最基本的结构和功能单元，其增殖行为一直是生物医学领域各专业(分子生物学、遗传学、肿瘤生物学、免疫学、药理和药代动力学)的研究热点。细胞增殖是生物体的重要生命特征，细胞增殖是生物体生长、发育、繁殖和遗传的基础，细胞以分裂的方式进行增殖。细胞分裂是一个细胞分裂为两个细胞的过程，分裂前的细胞称母细胞，分裂后的细胞称子细胞，无论是单细胞的生物还是多细胞的生物，每个细胞都必须进行生长和分裂，通过分裂将复制的遗传物质均等地分配到两个子细胞中，保证了遗传物质的稳定。

对细胞增殖行为的研究必须在活细胞水平上进行，常用的细胞活性的判别方法有两种：一种是利用变色的生化反应的可定量检测；另一种是根据显微图像由试验人员做定性估量^[1]。随着现代光学显微镜技术，光电转化技术以及现代计算机图像处理技术等多学科的发展，诞生了细胞显微图像分析技术。显微图像分析是指利用数字图像处理和机器学习技术对显微细胞图像进行定量分析和病变诊断^[2]。准确地识别和定位细胞分裂事件是进行细胞增殖行为研究的基础。细胞增殖研究初期的细胞群落规模小，培养周期短，通过人工标定的方法就可以完成对细胞分裂事件的检测和定位，但是随着研究的深入，细胞体外培养的群落规模不断增大，培养时间逐渐变长，采用人工标定的方法便显得费时费力，此时，利用显微图像分析技术通过计算机来自动，准确地完成对细胞分裂事件的识别就显得尤为重要了。

处于分裂期的细胞具有显著的形态特征，细胞的形态特征最直观地反映了细胞分裂所处的不同生命周期，并展现出明显的四个阶段^[3]：第一阶段，分裂的细胞在形态上会收缩，变圆；第二阶段，相差显微镜下细胞边缘与内部区域的亮度对比呈现明显反差，周边光晕会变强；第三阶段，细胞形态会呈现“8”字形状；第四阶段，细胞分裂成两个完全相同的子细胞。对细胞分裂事件的识别就是通过细胞连续时间内的显著性特征，来识别细胞分裂事件。显微图像序列中有丝分裂事件的识别方法通常分为两类：基于局部显著性的方法和基于时间上下文的方法。

常用的基于局部显著性的方法有，利用环形检测器来定位母细胞和两个子细胞^[4]；通过细胞核的形状和纹理特征来对细胞分裂阶段进行识别；或者把细胞分裂事件当成时空域中一个局部事件来进行检测，应用级联分类器对三维Haar-like特征描述的图像序列所构成的体积滑动窗口进行分类^[5]，这种基于局部显著特征的方法只需用一个训练好的分类器对所有图像序列顺序扫描就可得到图像序列中所有发生分裂的细胞，但是这类方法依赖大量的训练数据并且忽略了序列的时序动态特征。