基于深度学习的细胞谱系树的构建方法和系统

1.本发明属于细胞跟踪技术领域，本发明涉及一种基于深度学习的细胞谱系树的构建方法和系统。


背景技术：

2.相关技术中，细胞自动跟踪方法的跟踪质量往往受到细胞分割质量、细胞动力学模型和细胞密集程度影响，对图像序列的采样率及细胞运动速度也有一定的要求，且对初始条件非常敏感，因此，细胞跟踪的效率和准确性较低。


技术实现要素：

3.本发明的目的在于提供一种基于深度学习的细胞谱系树的构建方法。
4.本发明的另一个目的是提供一种基于深度学习的细胞谱系树的构建系统。
5.实现本发明目的的技术解决方案为：
6.一种基于深度学习的细胞谱系树的构建方法，包括以下步骤：采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；根据所述细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；采用多贝努利蚁群搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据所述路径信息素场构建所述细胞谱系树；在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据所述状态信息素场对所述标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。
7.在本发明的一个实施例中，根据所述细胞候选量测集对所述细胞分裂事件进行预测，以预测所述细胞分裂位置以及相应的所述细胞分裂概率，包括：通过u-net网络并采用convlstm算法对所述细胞分裂事件进行预测，以预测所述细胞分裂位置以及相应的所述细胞分裂概率，其中，所述convlstm算法对应的损失函数为：
[0008][0009]
其中，m为样本类别的数目，ε为第ε个样本类别，n为样本总量，κ为样本，y
κε
为指示变量，p
κε
为样本κ属于第ε个样本类别的预测概率，λ
κ
为多分类交叉熵。
[0010]
在本发明的一个实施例中，采用所述多贝努利蚁群的搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的所述路径信息素场，包括以下步骤：s301，获取细胞从第k-1帧的位置转移到第k帧的位置的转移概率，以及第k-1帧第j个细胞的分裂概率；s302，在所述转移概率大于第一预设概率时，将所述分裂概率与第二预设概率进行比对，其中，如果所述分裂概率小于所述第二预设概率，则从对应的细胞估计位置转移至第k帧所述细胞候选量测集的概率为：
[0011][0012]
其中，为细胞估计位置，为所述细胞估计位置转移至第k帧所述细胞候选量测集的信息素强度，为细胞估计位置所对应的候选量测子集，θ为所述细胞估计位置转移至第k帧所述细胞候选量测集的所述信息素强度的身份特征函数，b为信息素，为第k帧所述细胞候选量测集，为启发式函数，α1和β1为所述信息素强度与所述启发式函数的相对重要性系数，如果所述分裂概率大于或等于所述第二预设概率，则从对应的所述细胞估计位置转移至第k帧所述细胞候选量测集的概率为：
[0013][0014]
s303，采用所述多贝努利蚁群的搜索行为按照步骤s302进行多次迭代并计算相应的目标函数；s304，根据所述目标函数获取细胞状态估计集与所述细胞候选量测集之间的目标对应关系；s305，针对所述目标对应关系，在身份特征信息不变的前提下，提取所述路径信息素场。
[0015]
在本发明的一个实施例中，根据所述状态信息素场对所述标签贝努利子蚁群的所述多贝努利参数进行近似，以提取细胞位置及形态学参数，包括：利用所述状态信息素场和所述启发式函数对所述多贝努利参数进行近似，并计算所述标签贝努利子蚁群的存在概率；判断所述标签贝努利子蚁群的存在概率是否大于或等于预设阈值；如果所述标签贝努利子蚁群的存在概率大于或等于所述预设阈值，则估计相应的细胞的质心和轮廓。
[0016]
一种基于深度学习的细胞谱系树的构建系统，包括：第一获取模块，所述第一获取模块用于采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；预测模块，所述预测模块用于根据所述细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；构建模块，所述构建模块用于采用多贝努利蚁群搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据所述路径信息素场构建所述细胞谱系树；提取模块，所述提取模块用于在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据所述状态信息素场对所述标签贝努利子蚁群的多贝努利参数进行近似，以提取细胞位置及形态学参数。
[0017]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于深度学习的细胞谱系树的构建方法。
[0018]
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执
行时实现上述的基于深度学习的细胞谱系树的构建方法。
[0019]
本发明与现有技术相比，其显著优点为：
[0020]
本发明进行细胞跟踪的效率和准确性较高。
附图说明
[0021]
图1为本发明实施例的基于深度学习的细胞谱系树的构建方法的流程图。
[0022]
图2为本发明实施例的基于深度学习的细胞谱系树的构建系统的方框示意图。
具体实施方式
[0023]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0024]
图1为本发明实施例的基于深度学习的细胞谱系树的构建方法的流程图。
[0025]
如图1所示，本发明实施例的基于深度学习的细胞谱系树的构建方法可包括以下步骤：
[0026]
s1，采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集。
[0027]
具体而言，对训练数据集中的目标利用标注软件labelimg进行数据框的标注，并在赋予标签后直接保存为.xml文件。.xml文件格式是一种特殊的标签存储格式，其中，包含图片的名称和路径、图片的尺寸、标注的类别名称以及标注框的四个顶点的坐标等信息。修改配置文件为目标的类别classes＝1，滤波器的个数filters＝18，训练的步长为10000，训练的batch设为128。对yolov4源代码进行训练，获得模型权重文件。调用训练好的模型权重文件，分别对不同场景细胞进行检测，获得检测结果，构建细胞候选量测集。
[0028]
s2，根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率。
[0029]
在本发明的一个实施例中，根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率，包括：通过u-net网络并采用convlstm算法对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率，其中，convlstm算法对应的损失函数为：
[0030][0031]
其中，m为样本类别的数目，ε为第ε个样本类别，n为样本总量，κ为样本，y
κε
为指示变量(如果样本κ的类别和第ε个样本类别相同则为1，否则为0)，p
κε
为样本κ属于第ε个样本类别的预测概率，λ
κ
为多分类交叉熵。
[0032]
具体而言，将convlstm算法(或者，也可为lstm算法、bi-lstm算法)对序列数据上下文历史信息的特征提取和记忆能力引入u-net网络的基础框架，构建分裂细胞预测网络，目的是在显微视频细胞图像中分割出背景、普通细胞和待分裂细胞的像素区域。其中，损失函数采用上述公式(1)。
[0033]
首先，利用图像标注软件labelme对序列化细胞图像进行标注，包含普通细胞标签和待分裂细胞标签。通过对图像旋转、扭曲等操作进行数据增强，设置训练参数batch size＝16，训练的轮数epoch＝15，对模型进行训练获得权重矩阵。最后，利用权重文件对数据进行测试，获得图像中每个像素的分裂概率p
ab
。第k帧位于处细胞的分裂概率为其中e
ab
为由yolov4算法检测到的细胞区域，g为细胞区域内像素的个数，p
ab
为像素上(a,b)的分裂概率，a,b是像素标识量。
[0034]
s3，采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据路径信息素场构建细胞谱系树。
[0035]
在本发明的一个实施例中，采用多贝努利蚁群的搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，可包括以下步骤：
[0036]
s301，获取细胞从第k-1帧的位置转移到第k帧的位置的转移概率，以及第k-1帧第j个细胞的分裂概率。
[0037]
具体而言，上一帧的细胞在下一帧可能存活、分裂，消失或有新细胞出现。细胞的演化过程用多贝努利随机有限集来表示。存在概率及其对应的概率密度函数用于表示单贝努利随机有限集m个单贝努利随机有限集构成多贝努利随机有限集考虑贝努利随机有限集的身份，可得标签多贝努利随机有限集其中，表示索引集合。
[0038]
需要说明的是，在跟踪过程中，假定一个蚁群与一个细胞对应。本发明中可利用标签多贝努利蚁群来对标签多贝努利随机有限集的参数进行近似，其中，c为蚁群索引集合，r
(γ)
和μ
(γ)
分别为标签蚁群x
(γ)
的存在概率和离散概率密度分布。如果蚁群存活，则存在概率r
(γ)
大于阈值，并与细胞φ(γ)关联，其中φ定义为从蚁群索引集合到细胞标签的身份映射。标签贝努利蚁群从第k-1帧位置转移到第k帧所在位置，转移概率为在在这个过程中蚁群的标签不会改变。
[0039]
假定在第k-1帧有g
k-1
个细胞估计，则有个细胞估计，则有为第k-1帧估计得到的第i个细胞位置，其所对应的标签多贝努利蚁群参数集可表示为每个贝努利蚁群由n个蚂蚁组成。
[0040]
s302，在转移概率大于第一预设概率时，将分裂概率与第二预设概率进行比对。
[0041]
其中，如果分裂概率小于第二预设概率，则该标签蚂蚁能从第k-1帧存活下来，从
对应的细胞估计位置转移至第k帧细胞候选量测集的概率为：
[0042][0043]
其中，为细胞估计位置，为细胞估计位置转移至第k帧细胞候选量测集的信息素强度，为细胞估计位置所对应的候选量测子集，θ为细胞估计位置转移至第k帧细胞候选量测集的信息素强度的身份特征函数，b为信息素，为第k帧细胞候选量测集，为启发式函数，α1和β1为信息素强度与启发式函数的相对重要性系数，其中，为信息素强度与启发式函数的相对重要性系数，其中，表示和之间的距离函数。
[0044]
如果分裂概率大于或等于第二预设概率，则该标签蚂蚁能从第k-1帧存活下来并且发生分裂的概率为从对应的细胞估计位置转移至第k帧细胞候选量测集的概率为：
[0045][0046]
当标签蚂蚁按照步骤s302决策后，则在经过路径上释放一定量的信息素为其中，ρ为信息素蒸发系数，标签贝努利蚁群x
(ι)
在当前帧(第k帧)上一次迭代更新后所得到的存在概率为
[0047]
s303，采用多贝努利蚁群的搜索行为按照步骤s302进行多次迭代并计算相应的目标函数。
[0048]
利用深度学习网络yolov4检测到gk个候选量测集个候选量测集表示候选量测j位置。标签贝努利蚁群按照步骤s302进行多次迭代并计算目标函数u
*
。其中，目标函数可为：
[0049][0050]
其中，l
(u)
(
·
)为成本函数。
[0051]
s304，根据目标函数获取细胞状态估计集与细胞候选量测集之间的目标对应关系。
[0052]
其中，当目标函数最小时可得到从细胞状态估计集w到候选量测集h之间的一个最优对应关系，即目标对应关系。
[0053]
s305，针对目标对应关系，在身份特征信息不变的前提下，提取路径信息素场。
[0054]
具体而言，对于所得到的帧间最优对应关系(即目标对应关系)，在保持身份特征信息不变的前提下，提取其路径信息素场，通过帧与帧之间的顺序对应构建细胞谱系树。
[0055]
s4，在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。
[0056]
在本发明的一个实施例中，根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以提取细胞位置及形态学参数，包括：利用状态信息素场和启发式函数对多贝努利参数进行近似，并计算标签贝努利子蚁群的存在概率；判断标签贝努利子蚁群的存在概率是否大于或等于预设阈值；如果标签贝努利子蚁群的存在概率大于或等于预设阈值，则估计相应的细胞的质心和轮廓。
[0057]
具体而言，在标签贝努利子蚁群寻找目标像素的过程中形成状态信息素场对标签贝努利子蚁群的多贝努利参数进行估计，提取细胞位置及形态学参数，同时对标签进行更新。
[0058]
具体地，经过多次循环迭代标签贝努利蚁群x
(ι)
找到最优对应测量候选集后开始细胞状态估计，假定蚂蚁a位于像素v上移动到像素w的概率为：
[0059][0060]
其中，n
(v)
表示像素v的8邻域像素集合，集合n
(v)
中的任一像素可用表示，表示在第k帧像素v上的状态信息素(下标d表示)强度，为启发式函数，ew为像素w的邻域集合，q为邻域内包含的像素的个数；α2,β2表示食物信息素与启发式函数g(w)相对重要性系数。
[0061]
当标签贝努利子蚁群x
(ι)
中所有蚂蚁完成上述搜索步骤后，对状态信息素场进行更新，即其中，σ
(θ)
(w)为像素w上总的信息素输入，π
(θ)
(w)表示在像素w上总的信息素扩散输入，定义为其中，m∈(0,1)为扩散系数，κ为控制系数，一般取常数，表示像素w和之间的距离，rw表示像素w的周围区域。
[0062]
在蚂蚁多次迭代后形成状态信息素场，利用状态信息素场和启发式函数对标签贝努利子蚁群x
(ι)
的贝努利参数进行近似，为狄拉克函数，当细胞状态为时值为1，否则值为0。
[0063][0064][0065]
其中，为细胞状态的似然函数，为第k帧标签蚁群x
(ι)
的概率密度分布函数，蚂蚁的状态所对应的权重为和为标签贝努利子蚁群x(ι)中的蚂蚁个数。
[0066]
对信息素场进行简单处理后，计算标签子蚁群x
(ι)
的存在概率若则估计对应细胞的质心及轮廓。具体地，将当前帧(第k帧)未获匹配的候选量测视为新出现细胞，与其对应的标签贝努利子蚁群按照上述步骤工作，形成信息素场。计算标签子蚁群存在概率，如果存在概率大于等于预设阈值(例如，0.5)，则估计出相应的细胞的质心及轮廓。
[0067]
需要说明的是，当多个标签贝努利子蚁群跟踪同一个细胞时，保留存在概率最大的标签贝努利子蚁群，并赋予最先出现的标签，进行标签更新。
[0068]
综上所述，根据本发明实施例的基于深度学习的细胞谱系树的构建方法，采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集，并根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率，以及采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据路径信息素场构建细胞谱系树，以及在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。由此，本发明进行细胞跟踪的效率和准确性较高。
[0069]
对应上述实施例的基于深度学习的细胞谱系树的构建方法，本发明还提出了一种基于深度学习的细胞谱系树的构建系统。
[0070]
如图2所示，本发明实施例的基于深度学习的细胞谱系树的构建系统可包括：第一获取模块100、预测模块200、构建模块300和提取模块400。
[0071]
其中，第一获取模块100用于采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；预测模块200用于根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；构建模块300用于采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据路径信息素场构建细胞谱系树；提取模块400用于在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以提取细胞位置及形态学参数。
[0072]
在本发明的一个实施例中，预测模块200具体用于：通过u-net网络并采用convlstm算法对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率，其中，convlstm算法对应的损失函数为：
[0073][0074]
其中，m为样本类别的数目，ε为第ε个样本类别，n为样本总量，κ为样本，y
κε
为指示变量，p
κε
为样本κ属于第ε个样本类别的预测概率，λ
κ
为多分类交叉熵。
[0075]
在本发明的一个实施例中，构建模块300具体用于执行以下步骤：
[0076]
s301，获取细胞从第k-1帧的位置转移到第k帧的位置的转移概率，以及第k-1帧第j个细胞的分裂概率；
[0077]
s302，在转移概率大于第一预设概率时，将分裂概率与第二预设概率进行比对，其中，
[0078]
如果分裂概率小于第二预设概率，则从对应的细胞估计位置转移至第k帧细胞候选量测集的概率为：
[0079][0080]
其中，为细胞估计位置，为细胞估计位置转移至第k帧细胞候选量测集的信息素强度，为细胞估计位置所对应的候选量测子集，θ为细胞估计位置转移至第k帧细胞候选量测集的信息素强度的身份特征函数，b为信息素，为第k帧细胞候选量测集，为启发式函数，α1和β1为信息素强度与启发式函数的相对重要性系数，
[0081]
如果分裂概率大于或等于第二预设概率，则从对应的细胞估计位置转移至第k帧细胞候选量测集的概率为：
[0082][0083]
s303，采用多贝努利蚁群的搜索行为按照步骤s302进行多次迭代并计算相应的目标函数；
[0084]
s304，根据目标函数获取细胞状态估计集与细胞候选量测集之间的目标对应关系；
[0085]
s305，针对目标对应关系，在身份特征信息不变的前提下，提取路径信息素场。
[0086]
在本发明的一个实施例中，提取模块400具体用于：利用状态信息素场和启发式函数对多贝努利参数进行近似，并计算标签贝努利子蚁群的存在概率；判断标签贝努利子蚁群的存在概率是否大于或等于预设阈值；如果标签贝努利子蚁群的存在概率大于或等于预设阈值，则估计相应的细胞的质心和轮廓。
[0087]
需要说明的是，本发明的基于深度学习的细胞谱系树的构建系统更具体的实施例可参照上述基于深度学习的细胞谱系树的构建方法的实施例，为避免冗余，在此不再详述。
[0088]
根据本发明实施例的基于深度学习的细胞谱系树的构建系统，通过第一获取模块采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集，以及通过预测模块根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率，并通过构建模块采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，以及根据路径信息素场构建细胞谱系树，并通过提取模块在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，以及根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以提取细胞位置及形态学参数。由此，本发明进行细胞跟踪的效率和准确性较高。
[0089]
对应上述实施例，本发明还提出了一种计算机设备。
[0090]
本发明实施例的计算机设备可包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述的基于深度学习的细胞谱系树的构建方法。
[0091]
根据本发明实施例的计算机设备，能够大大提高细胞跟踪的效率和准确性。
[0092]
对应上述实施例，本发明还提出了一种非临时性计算机可读存储介质。
[0093]
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于深度学习的细胞谱系树的构建方法。
[0094]
根据本发明实施例的非临时性计算机可读存储介质，能够大大提高细胞跟踪的效率和准确性。
[0095]
上述实施例为本发明优选地实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于深度学习的细胞谱系树的构建方法，其特征在于，包括以下步骤：采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；根据所述细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；采用多贝努利蚁群搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据所述路径信息素场构建所述细胞谱系树；在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据所述状态信息素场对所述标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。2.根据权利要求1所述的基于深度学习的细胞谱系树的构建方法，其特征在于，根据所述细胞候选量测集对所述细胞分裂事件进行预测，以预测所述细胞分裂位置以及相应的所述细胞分裂概率，包括：通过u-net网络并采用convlstm算法对所述细胞分裂事件进行预测，以预测所述细胞分裂位置以及相应的所述细胞分裂概率，其中，所述convlstm算法对应的损失函数为：其中，m为样本类别的数目，ε为第ε个样本类别，n为样本总量，κ为样本，y
κε
为指示变量，p
κε
为样本κ属于第ε个样本类别的预测概率,λ
κ
为多分类交叉熵。3.根据权利要求1所述的基于深度学习的细胞谱系树的构建方法，其特征在于，采用所述多贝努利蚁群的搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的所述路径信息素场，包括以下步骤：s301，获取细胞从第k-1帧的位置转移到第k帧的位置的转移概率，以及第k-1帧第j个细胞的分裂概率；s302，在所述转移概率大于第一预设概率时，将所述分裂概率与第二预设概率进行比对，其中，如果所述分裂概率小于所述第二预设概率，则从对应的细胞估计位置转移至第k帧所述细胞候选量测集的概率为：其中，为细胞估计位置，为所述细胞估计位置转移至第k帧所述细胞候选量测集的信息素强度，为细胞估计位置所对应的候选量测子集，θ为所述细胞估计位置转移至第k帧所述细胞候选量测集的所述信息素强度的身份特征函数，b为信息素，为第k帧所述细胞候选量测集，为启发式函数，α1和β1为所述信息素强度与所述启发式函数的相
对重要性系数，如果所述分裂概率大于或等于所述第二预设概率，则从对应的所述细胞估计位置转移至第k帧所述细胞候选量测集的概率为：s303，采用所述多贝努利蚁群的搜索行为按照步骤s302进行多次迭代并计算相应的目标函数；s304，根据所述目标函数获取细胞状态估计集与所述细胞候选量测集之间的目标对应关系；s305，针对所述目标对应关系，在身份特征信息不变的前提下，提取所述路径信息素场。4.根据权利要求3所述的基于深度学习的细胞谱系树的构建方法，其特征在于，根据所述状态信息素场对所述标签贝努利子蚁群的所述多贝努利参数进行近似，以提取细胞位置及形态学参数，包括：利用所述状态信息素场和所述启发式函数对所述多贝努利参数进行近似，并计算所述标签贝努利子蚁群的存在概率；判断所述标签贝努利子蚁群的存在概率是否大于或等于预设阈值；如果所述标签贝努利子蚁群的存在概率大于或等于所述预设阈值，则估计相应的细胞的质心和轮廓。5.一种基于深度学习的细胞谱系树的构建系统，其特征在于，包括：第一获取模块，所述第一获取模块用于采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；预测模块，所述预测模块用于根据所述细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；构建模块，所述构建模块用于采用多贝努利蚁群搜索行为根据所述预测细胞分裂位置以及相应的所述细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据所述路径信息素场构建所述细胞谱系树；提取模块，所述提取模块用于在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据所述状态信息素场对所述标签贝努利子蚁群的多贝努利参数进行近似，以提取细胞位置及形态学参数。6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于深度学习的细胞谱系树的构建方法。7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于深度学习的细胞谱系树的构建方法。

技术总结
本发明公开了一种基于深度学习的细胞谱系树的构建方法和系统，该方法包括以下步骤：采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据路径信息素场构建细胞谱系树；在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。以估计细胞位置及形态学参数。以估计细胞位置及形态学参数。


技术研发人员：鲁明丽 徐本连 吴迪 从金亮 施健 王伟 顾苏杭 朱培逸
受保护的技术使用者：常熟理工学院
技术研发日：2023.04.26
技术公布日：2023/8/6