《基于粒子群的多细胞状态估计技术》.pdfVIP

第29 卷第2 常熟理工学院学报（自然科学） Vol. 29 No. 2 2015 年3 月 Journal of Changshu Institute Technology （Natural Sciences ） Mar., 2015 基于粒子群的多细胞状态估计技术 a b b 陈庆兰 ，任亚运 ，徐本连 （常熟理工学院 a. 机械工程学院；b. 电气与自动化工程学院，江苏 常熟 215500） 摘 要：针对细胞动力学特性差异、细胞变形、细胞数目变化、细胞近邻等估计难题，提出了一 种基于粒子群优化方法来实现多细胞状态估计. 首先，针对已存在细胞和新出现细胞设计了两种 不同的搜索机制，提出了一种标准的PSO 算法且无需检测模块来实现多细胞状态估计；在此基础 上，引入细胞检测模块，提出一种基于改进的PSO 算法来实现多细胞状态精确估计. 实验结果表 明，本文所提出的PSO 跟踪策略能自动实现多细胞状态估计，在引入细胞检测模块后，跟踪性能提 高50%以上，每帧平均耗时减小，并且在处理多细胞近邻问题时具有良好的跟踪鲁棒性. 关键词：多细胞跟踪；粒子群优化；状态估计 中图分类号：TP 181 文献标识码：A 文章编号：1008-2794 （2015 ）02-0063-07 1 引言 多细胞跟踪是指对细胞的运动速度、位移、轨迹、形状等状态进行定性或定量的分析，它是进行细胞活 性、细胞迁徙和细胞趋向性等细胞生物学和生物制药研究的有效方法和必要手段. 传统的以人工为主的方 式观察被研究细胞的活动，不仅效率低，而且还附带观测者主观因素的影响. 与人工细胞跟踪方法相比，自 动跟踪方法耗时少，误差小，实用性更强，但由于细胞的多变性、外界干扰等因素给细胞自动跟踪的研究带 [1] 来了巨大的挑战，这使得研究一种自动可靠的多细胞跟踪技术变得极为迫切 . 目前多细胞自动跟踪方法包括三类：基于检测和关联的跟踪方法，基于模型演变的跟踪方法，基于滤波 [2] 与采样的细胞跟踪方法 . 基于滤波与采样的细胞跟踪方法模仿人类视觉系统在图像序列中估计目标运动 流，能够通过整合高维度的空间、时间和先验信息来解决问题，更好利用时序信息和所研究细胞动力学特征 的先验知识，其跟踪性能明显好于前两种方法. 粒子滤波器（PF ）常被用于细胞跟踪，但是在估计目标当前状 [3] 态的后验分布之前，需要知道测量模型和运动模型 . Juang 首次把混合高斯概率假设密度函数（GM-PHD ） 滤波器应用于多细胞跟踪，在对细胞宗谱的研究中发现这种滤波器能够很好地跟踪细胞的世系和细胞的运 [4] 动情况 . Rezatofighi 提出了LGJMS-PHD 滤波器的解析式，包含了状态独立的转移概率和分裂转移概率，这 [5] 个滤波器明显减