朱　辰　周慶利　何劍虎

(浙江大學醫(yī)學院附屬婦產(chǎn)科醫(yī)院　浙江 杭州 310006)

?

一種新的基于細胞局部圖特征和運動特征的細胞跟蹤算法

朱辰周慶利何劍虎

(浙江大學醫(yī)學院附屬婦產(chǎn)科醫(yī)院浙江 杭州 310006)

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

關(guān)鍵詞細胞分割細胞跟蹤聚集細胞局部圖時間序列圖像

0引言

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

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

第二類是基于細胞分割與檢測的方法。這種方法由分割和跟蹤兩部分組成。先根據(jù)細胞圖像亮度、紋理、強度的特點，采用圖像分割技術(shù)檢測出每一幀中的細胞，然后在連續(xù)的兩幀中把細胞一一匹配，直到最后一幀，最終達到追蹤的目的。采用梯度邊緣檢測的方法檢測細胞，通過相鄰細胞之間的關(guān)系建立圖的模型完成細胞的追蹤，但是這種方法由于細胞檢測的錯誤會改變細胞之間的拓撲關(guān)系，因此可能導致追蹤的錯誤[12]。還有就是用分水嶺的方法來檢測細胞[13]，但是這種方法在細胞分割的過程中會出現(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胞的大小，最終會導致檢測的錯誤，也不能利用這些信息完全處理細胞形狀變化、運動變化和分裂的問題。

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胞還不具有穩(wěn)定性。

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

針對傳統(tǒng)的細胞跟蹤算法存在跟蹤準確度不高的問題，本文把圖論的思想融入到細胞追蹤中，研究提出的是一種基于細胞局部圖特征和運動特征的細胞跟蹤算法。對活躍程度不同的細胞進行分別跟蹤，對移動距離小的細胞采取基于細胞區(qū)域特征的算法實現(xiàn)此類細胞的跟蹤。在跟蹤成功細胞的基礎(chǔ)上，把基于細胞區(qū)域特征和局部圖特征結(jié)合在一起形成一種新的細胞跟蹤算法實現(xiàn)其余細胞的跟蹤?？朔酥挥脠D論算法只能跟蹤細胞拓撲結(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胞分裂的缺點。最終試驗結(jié)果表明，本文提出的算法在提高細胞跟蹤準確度和細胞分裂的判斷取得了顯著的效果。

1細胞圖像分割

顯微細胞圖像的準確分割是顯微細胞動態(tài)分析中研究的關(guān)鍵環(huán)節(jié)和難點之一，往往需要針對不同的細胞圖像類別采取不同的分割方法。由于細胞圖像本身具有復雜的自然屬性和結(jié)構(gòu)特性如光照的影響、邊界模糊、信噪比低、重疊細胞等問題，傳統(tǒng)的基于邊緣檢測和區(qū)域的方法在細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胞圖像分割中具有很大的優(yōu)勢，能更有效地提取細胞區(qū)域，因此本文主要采用這兩類方法進行細胞圖像的分割。

本文研究采用的兩種細胞視頻，一是從生物相關(guān)視頻庫中獲取的組蛋白家族之一的pAFV細胞熒光視頻和英國劍橋大學腫瘤細胞研究所提供的膀胱癌T24相稱顯微(Phase-Microscopy)細胞視頻。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)的不同時刻的細胞圖像。如圖1(a)所示是pAFV細胞圖像序列中第19幀的原圖像。從圖中可以看出細胞目標區(qū)域與背景區(qū)域有很明顯的對比度，因此運用基于OSTU閾值的細胞圖像分割方法就可以把潛在的細胞區(qū)域從背景區(qū)域中提取出來。圖1(b)顯示了細胞圖像的分割結(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，細胞目標區(qū)域與背景區(qū)域的對比度不明顯，有的細胞周圍還存在光環(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圖像進行預處理，然后采用水平集的方法得到細胞的區(qū)域輪廓。本文選擇Li提出的一種改進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提出的改進的水平集方法對膀胱癌T24細胞圖像序列中第64幀圖像經(jīng)過2500次迭代后得到的實驗結(jié)果，細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)果中還存在孤立細胞、細胞聚團和粘連現(xiàn)象，并且一些噪點沒有去除，采取我們以前提出的形態(tài)學處理方法進行處理，最終得到的分割結(jié)果如圖3所示。

圖1　pAFV細胞圖像的分割

圖2　第64幀膀胱癌細胞圖像分割

圖3　細胞圖像序列分割最終結(jié)果

2細胞跟蹤

細胞跟蹤算法的過程是首先在細胞序列圖片的第一幀中進行區(qū)域標記，并標記不同的標號。在下一幀中找到各個細胞相應的匹配細胞，然后進行符號標記，直至最后一幀結(jié)束。但是由于細胞數(shù)量多、細胞之間區(qū)別比較小、細胞分裂等特征，對于活躍細胞只運用細胞的運動特征(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)正確的細胞匹配對，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胞進行分類跟蹤，將細胞的局部圖特征和運動特征結(jié)合起來完成活躍細胞的跟蹤。

2.1特征參數(shù)

描述細胞運動特征的參數(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[18]中已經(jīng)證明在細胞跟蹤中能夠取得很好的效果。

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

(1)

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

(2)

式中(xi,yi)和(xj,yj)分別表示細胞i和細胞j的坐標。

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

(3)

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

(4)

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

除了細胞運動特征參數(shù)之外，為了克服活躍細胞的跟蹤問題，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用到細胞圖像中，需要考慮構(gòu)造的局部圖能否充分反映細胞之間的關(guān)系，所以我們把圖中的頂點用來表示圖像中的一個細胞，相鄰的細胞用一條邊連接。然后對于相鄰兩個細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幀中以細胞ci和細胞cj的中心建立一個局部圖。局部圖結(jié)構(gòu)中自動包含了細胞之間的相對位置關(guān)系，比如相對距離和方向的大小。如果細胞沒有發(fā)生分裂，則局部圖的拓撲關(guān)系不會發(fā)生很大的改變。因此我們可以借助兩個局部圖的特征來完成t幀和t+1幀中部分細胞的匹配。后面基于局部圖特征的細胞跟蹤會用到局部圖之間相似性度量這個概念，在此給出兩個局部圖之間的相似性度量EL(ci,cj)的計算方法[21]如式(5)所示。

圖4　細胞局部圖示意圖

(5)

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

2.2細胞跟蹤算法

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

圖5　細胞跟蹤算法流程圖

2.2.1基于區(qū)域重疊法的惰性細胞跟蹤

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

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

(6)

式中ci和cj分別表示細胞i和細胞j，λ1、λ2和λ3表示細胞區(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基于細胞區(qū)域特征和局部圖特征的活躍細胞跟蹤

細胞的運動是無規(guī)則不均勻的運動，因此在細胞運動過程中，活性很強的細胞會發(fā)生跳躍運動[19，20]，即細胞在相鄰兩幀之間的移動距離比較大。之所以發(fā)生這種現(xiàn)象，是因為細胞內(nèi)ATP分子的化學能在短時間間隔內(nèi)轉(zhuǎn)換為機械能[20]。對于這類細胞，運用基于區(qū)域特征的細胞跟蹤方法往往會發(fā)生錯誤，因為在搜索待匹配細胞的候選細胞時是在一定區(qū)域內(nèi)搜索的。而此時真正的候選細胞由于移動距離的變大已經(jīng)超出了搜索的范圍。因此，本文在基于區(qū)域特征的細胞跟蹤方法的基礎(chǔ)上研究基于細胞區(qū)域特征和局部圖特征的細胞跟蹤算法。在介紹具體的算法步驟之前先引入新的細胞匹配相似度E(ci,cj)的計算，E(ci,cj)的計算方法如式(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)分別表示細胞區(qū)域特征相似度和局部圖特征相似度。β1和β2表示細胞區(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。

本文提出的基于細胞區(qū)域特征和局部圖特征的細胞跟蹤算法用于移動距離比較大的細胞跟蹤。該算法是在基于細胞區(qū)域特征跟蹤算法所成功跟蹤細胞的基礎(chǔ)上發(fā)展得來的，因此具有很高的準確性。結(jié)合圖5中提到的基于細胞區(qū)域特征和局部圖特征的細胞跟蹤算法，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胞。

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

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

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

(5) 重復步驟(1)到(4)，直至完成第一幀中所有滿足條件的細胞匹配。

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

2.3細胞跟蹤過程中各種情況分析

2.3.1細胞消失和新出現(xiàn)的處理

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

細胞的新出現(xiàn)是細胞跟蹤過程中最常見的現(xiàn)象，因為細胞在運動過程中會發(fā)生細胞分裂，此外，細胞從圖像邊緣進入視野也是一個原因。在當前幀中，如果通過全局搜索發(fā)現(xiàn)了新的細胞，并且在前一幀中沒有出現(xiàn)過，則認為該細胞是新出現(xiàn)的細胞，對新出現(xiàn)的細胞進行判斷；如果不是圖像邊緣細胞，則認為是由于細胞分類產(chǎn)生的新的細胞，則記錄這類細胞的信息，并給這類細胞分配新的細胞記號ID。細胞的分裂在細胞跟蹤完成后進行處理，下面介紹處理的過程。

2.3.2細胞分裂檢測

前面介紹的基于細胞區(qū)域和局部圖特征的細胞跟蹤方法是一對一的細胞匹配過程，因此對于細胞分裂的跟蹤只能跟蹤其中一個子細胞，而另外一個不能正常跟蹤。為了對細胞分裂做出檢測，首先研究細胞分裂時的特征。根據(jù)細胞生物學的理論知識，細胞分裂時會表現(xiàn)出如下特征[10]：

(1) 母細胞C發(fā)生分裂時，會分裂成C1和C2兩個子細胞，這兩個細胞中，其中一個細胞會被推離母細胞的位置，而另一個細胞還處在母細胞的位置上。

(2) 當母細胞要分裂成兩個子細胞時，細胞會變圓、變亮。

(3) 兩個子細胞的距離非常近。

(4) 子細胞的面積會變小，細胞C1和C2的面積之和與母細胞的面積相近。

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

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

3實驗結(jié)果分析

在分割的結(jié)果上進行細胞的跟蹤實驗，分別對不同的兩個細胞視頻序列在Windows 2007下使用MATLAB 2010a編程完成。實驗環(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。 兩個細胞分布不同的視頻序列用于測試本文提出算法的有效性。第一個視頻序列是由640×480像素的200幀光學顯微鏡熒光染色的pAFV細胞圖像組成；第二個是與我們實驗室合作的英國劍橋大學腫瘤細胞研究所提供的1600×1200像素的200幀的膀胱癌細胞灰度圖像組成。pAFV細胞圖像序列中由于細胞分裂存在細胞的個數(shù)越來越多，而由劍橋大學提供的膀胱癌T24相稱顯微細胞圖像序列中細胞數(shù)量不多，甚至由于細胞的死亡，細胞的數(shù)量還會減少。如圖6所示是pAFV細胞圖像序列中第8～10幀跟蹤結(jié)果的部分剪裁圖。

圖6　 pAFV細胞跟蹤結(jié)果圖

實驗過程中式(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)。對于細胞聚集比較疏的細胞圖像β1取值大于β2，對于細胞聚集比較密的圖像β2取值大于β1，本實驗中細胞聚集比較均勻，因此β1和β2都取0.5。式(6)中α1、α2和α3直接與細胞活躍程度有關(guān)。移動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)過反復實驗，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確性。從實驗結(jié)果中可以看到文獻[18]提出的細胞跟蹤算法，在跟蹤ID號為10的細胞時發(fā)生了錯誤。而本文算法在基于區(qū)域特征細胞跟蹤算法的基礎(chǔ)上局部圖特征后很明顯地能夠糾正此類錯誤。

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

表1　pAFV細胞圖像序列細胞跟蹤準確率統(tǒng)計結(jié)果

表2　膀胱癌T24相稱顯微細胞圖像序列的跟蹤準確率統(tǒng)計結(jié)果

4結(jié)語

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

在細胞跟蹤的基礎(chǔ)上，可以研究細胞的動態(tài)參數(shù)變化情況，如圖7所示。細胞的動態(tài)參數(shù)主要包括細胞面積、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]，如傷口愈合實驗、干細胞制造等。傷口愈合實驗在生物學和醫(yī)學的研究中應用非常廣泛，在實驗過程中，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。而干細胞制造主要是為了滿足疾病治療過程中的需要，為了檢測干細胞的培養(yǎng)情況，需要實時監(jiān)控細胞的生長速度、細胞數(shù)量變化和細胞分裂快慢等。所以，研究細胞動態(tài)參數(shù)對于細胞動態(tài)分析非常重要。

圖7　pAFV細胞動態(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)干細胞圖像序列的分割算法[D]. 哈爾濱工程大學， 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.活細胞內(nèi)微粒跳躍運動理論[J].科學通報，1992(1)：66-71.

[20] 唐孝威.活細胞內(nèi)微粒跳躍運動和布朗運動[J].科學通報,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。國家自然科學基金項目(61173096)。朱辰，碩士，主研領(lǐng)域：圖形圖像處理，醫(yī)學圖像處理。周慶利，研究員。何劍虎，高工。

中圖分類號TP3

文獻標識碼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