文摘

分析异常的细胞迁移是一个关键问题识别和分类在细胞生物学研究。然而,由于细胞变形引起的各种生物过程是随机的和细胞突出是不规则,很难衡量细胞显微图像形态学和能动性。为了解决这个难题,我们提出一种改进的光流模型定量分析细胞内活性的变化,这不仅有效地提取细胞内运动领域,还涉及光流计算问题在边境通过配方基础上的优势和分别规范。在我们提出的光流模型的能量函数,数据项的形式标准;数据的平滑度变化与区域特征通过一个自适应参数,使用规范细胞的边缘附近规范远离边缘。我们进一步提取直方图面向光学流(蹄)后细胞内运动光流场计算。然后计算距离不同的蹄的细胞内运动功能评分细胞内运动。实验结果表明,该特征提取蹄提供新的见解细胞活性之间的关系和特殊的病理条件。

1。介绍

细胞形态和流动显示机体的生理和病理特点(1]。它已经表明,定量分析的细胞形态和流动提供了可能的改善我们的理解生物过程在细胞水平上(2]。估计分析动态属性的动态细胞迁移的生理和病理现象已广泛应用于临床诊断和生物研究,包括炎症研究,药物测试,伤口愈合,肿瘤生成和免疫反应3- - - - - -7]。生活在特殊条件下信息发现的定量分析细胞内的能动性。然而,很难测量细胞内活性由于不规则的复杂细胞变形。在这里,我们提出了一个新颖的方法定量分析细胞内基于光流模型的能动性。

从最初的工作角和Schunck (HS)模型以及卢卡斯和金(路)模型(8,9),光流法已广泛应用于计算机视觉应用评估对象的运动,也是一种主要方法应用于定量运动估计的生物结构在光学显微镜(10- - - - - -12]。中收取等人回顾cell-scale流测量的主要方法,包括单粒子跟踪(SPT),粒子图像测速仪(PIV),光学流(13]。此外,他们发现,尽管SPT和PIV技术的主要手段分析bioflows细胞生物物理学,光学流技术优于比成型机的相对简单的实现和提供额外的生物物理信息,如当地速度(13]。硼等人应用光流方法来量化的运动细胞的数量和检测的细胞变化的定量分析细胞迁移(14]。郭等人应用光流方法来跟踪血红细胞(15]。光流技术也被用于测量体内血流速度(16]。所有上述研究工作主要认为细胞作为一个整体,将注意力集中在整个细胞的运动。人们却很少关注到细胞内运动。

在本文中,我们提出一种改进的光流模型基于方法的变异分析细胞内流动相衬显微细胞图像。数据项在能源功能的光流模型采用规范,这有利于提取细胞内运动的平滑的速度场。虽然平滑项能源功能变化与图像的区域特征,使用胞内区和规范规范临近的边缘细胞根据当地形象的特点,有助于解决光流计算物体的边缘附近。此外,直方图面向光学流用于量化细胞内流动。

本文的其余部分组织如下。部分2在光流模型评审相关工作。部分3提出我们的方案:基于变异的改进光流模型和基于蹄细胞内运动的特征。节4,我们提出基于光流和细胞内运动的可视化将该方案应用于合成数据和实际数据;实验结果。讨论和结论部分5。

2。光流的变化模型

光流的定义是向量场表达二维视运动的模式移动物体投影在屏幕上,这个向量场也视为移动物体的速度场,包括运动和观察到的对象的结构信息。光流计算是基于时间和空间的相关性方面两者之间的后续图像的视频。尽管许多新概念提出了光流模型来处理不同的问题,今天的光学流仍类似于HS模型或路模型(8,9]。这种光学流变化通常可以表示如下: 在哪里 是流矢量的像素二维光学流场; 是一种数据项和 是一个光滑的术语,这两个术语之间的重量。通常情况下,数据是由一些不变的假设,如灰度值、梯度恒定不变的假设,黑森守恒方程,拉普拉斯算子的守恒方程。这些不变的假设形成约束的解决方案变化光流模型。不同约束的数据项已经被使用在不同的运动模式。平滑项,保证存在的一个独特的光流模型,采用不同的平滑策略在不同的应用程序。光流计算基于变分法的实现通过最小化能量函数由一些数据约束和平滑约束。例如,在古典HS模型,数据项采用灰度值不变的假设和平滑约束的大小的平方梯度光流的速度。因此,商品光流模型的能量函数表示如下: 在哪里和表示连续的图像用于计算光流场; 表示像素坐标和 是流矢量的像素(和表示一个像素的位移在水平方向和垂直方向,职责);表示图像区域。光流场计算通过优化功能的能量。也就是说, 通过最小化的吗 。

在HS光流模型,数据项和平滑项的形式规范,和实现的基础上标准图像相当于各向同性扩散。这种方法可以避免图像中的分段常数但导致模糊的边缘和细节丢失。因此,这不小说等人提出了一个能量的功能,在数据项和平滑项表示为 (是一个小的正数)[17]。在某种程度上,最小化结果基于近似实现规范。此外,麻子等人提出了一个总变异能量函数模型,命名,表示如下(18]: 数据项是基于在哪里规范和平滑项采用全变差(电视)。从这个能量的功能,它是发现的最小化相当于优化基于规范。制定基于规范各向异性扩散图像相当于。这种实现可以保持不连续边缘附近的光流场,但导致分段常数的光流场。为了获得准确的光流场在边缘和胞内区域,我们提出一个灵活的光流模型功能基于变异模型,和细节描述如下。

3所示。方法

3.1。自适应总波动光学流模型(自适应电视光流模型)

为了准确计算单胞内的光流场运动边缘和胞内区,我们提出了一个能量光流模型的功能如下: 在哪里是像素的强度位于 帧对应的时间t;是一个数据项和平滑项之间的重量。向量 表示矢量的像素进行光流场; 和 流场的水平和垂直分量。它可以得出结论 基于灰度值不变假设和泰勒公式(8),所以我们有另一个表达式(4)。 在哪里 是一种自适应参数变化的特征图像。

我们提出了自适应电视光流模型上面最小化能量函数(4 - 1)。也就是说,光流场的解 通过最小化能量函数(4 - 1)。利用微积分的变化,这个能量函数的欧拉方程获得如下(19(解决方案的细节如附件所示一个): 在哪里 表示图像亮度对的偏导数 。我们选择根据图像的局部特性,使用以下方程: 在哪里 图像的卷积吗 与高斯滤波器,获得平滑图像。很明显的价值 高的边缘细胞。特别是,如果 ,然后 。相反,在胞内区域远离边缘,有 ,所以我们获得 。总之,自适应参数 选择这是较小的可能的边缘附近,较大的远离可能的边缘,不同图像的特征。因此,提出自适应电视光流模型等价于基于图像实现规范附近可能的优势 和基于规范远离可能的边缘时 ,这有助于处理光流计算在边界的问题。

在这项研究中,提出的数值实现自适应电视光流模型是基于获得的 和 ,分别。首先,如果 ,我们有

请注意,是分母,为了避免奇点。常见使用略有不安的常态 来代替,在那里是一个小的正数。同样,我们使用 来代替。然后的梯度像样的流动(7)是 在哪里 ; ; ; ; ;和 。

建立离散迭代的解决方案,使用有限差分方法离散网格,迭代解(8)如下: 在哪里n对应于离散时间γ表示每个交互的时间步。让指数,,对应于,,。在这里,我们定义一些方程如下:

用(10),(11)和(12)(9),那么我们可以得到光流 通过迭代过程。第二,如果 ,我们有 是一样的欧拉方程在HS模型(8]。同样的,迭代的解决方案(13)如下:

3.2。描述基于蹄细胞内运动

细节方向和每个像素的大小的速度运动细胞内表达的光流场 ,这是一个二维向量场。然而,原始的光流数据可能是毫无用处的,因为它是由大量的数据。如何获得从光流场定量信息总是萦绕的研究人员。设计了多种技术以解决这一问题。乔杜里等人提出了人类行为的识别(蹄20.]。在我们的研究中,蹄技术开发量化细胞内运动。我们执行统计分析,光学流场的速度分布。也就是说,每个像素的分布在光的速度流场分析的基础上,统计理论。

细胞内运动的特征向量提取如下。首先,我们提出光流模型应用于计算光流场的连续帧的视频。第二,每个流矢量光流场中被根据其主要从水平轴角,根据其大小。然后,我们得到的直方图向量在光学流场流动。直方图表示的功能如下。 在哪里 表示不同的方向(箱);表示数量的垃圾箱;和是每个流的速度的总和向量方向的间隔 。计算每个流的方向向量 获得的,流动的速度矢量。在我们的研究中,为了提取定量特性的基础上,细胞内运动,流的方向向量量化到16日, 。所以直方图是16箱的数量,和高度的每一本都是速度的总和的角度间隔 。最后,直方图归一化。总之,蹄表达流的分布向量的特性在光学流场。此外,我们的距离计算连续蹄,然后使用这些系列距离作为细胞内流动的特征向量。

4所示。实验和结果

细胞显微图像是通过光学相衬显微镜放大16000倍的清洁健康小鼠的外周血样本。动物实验是由受过训练的人员在北京你安医院,隶属于首都医科大学。所有的处置符合动物伦理的准则。每个视频持续22 - 24秒,帧速率是每秒25帧(每个视频包括550 - 600帧)。应该注意的是,单个细胞的分割和跟踪的细节发表在我们的早期作品21]。在本文中,假设细胞已经从显微图像分割和跟踪,所以我们直接分析细胞内运动。

4.1。基于光流可视化的细胞内运动

计算光流场的分段淋巴细胞直接视频,光流场的一帧,提取两个连续的图像,如图1。箭头的方向的光流场表示细胞内的方向运动,和箭头的长度表示细胞内运动的大小。为了比较光滑的有效性与不同的术语 我们计算三种光学流动显示 , 和自适应 ,如图1 (b),1 (c),1 (d)。结果表明,配方可以保留通过应用的不连续性规范在平滑项但会导致图像中分段常数。另一方面,使用规范平滑内可以提取运动但造成边缘模糊的更多细节。应用自适应 改变的地方特色图像之间取得良好的平衡保持不连续和光学流的细节。

此外,我们随机选择两个视频,一个轻微的细胞内运动的数据组(正常组,NG),另一个是戏剧性的运动组(异常组,AG)。然后,我们计算细胞内的光流场运动和提取光流的大小,颜色编码,如图5所示2。基于图2,发现AG)的振幅大于NG,同意临床观察。

4.2。蹄提取细胞内运动领域

后细胞内的光流场运动计算,蹄是从光学流场中提取的。分布的向量的特征光流场的计算,并表示在蹄,如图3。

从图3,很明显,像素在正常组的速度小,等于在每一个方向,而细胞内异常组的运动更加激烈,速度很大在特定方向。这些蹄结果同意医生的观察:细胞的活性增强异常组(疾病发生时),也就是说,异常组的细胞产生明显的变形,而正常组更稳定。

4.3。瞬时速度提取细胞内运动领域

来验证我们建议的方法,我们首先验证合成数据然后把它应用到实际的数据部分4.4。四种合成采样得到的数据用不同的帧间隔,下面的步骤。步骤1:选择一个框架从细胞显微图像作为参照系。步骤2:选择一个浮动坐标系,浮子和参考帧之间的间隔是20。步骤3:一个新的视频通过抽样获得20帧间隔。我们的名字作为Celldata_20采样视频。最后一步:使用类似的抽样方法,我们获得其他三种细胞视频(Celldata_40, Celldata_60和Celldata_80)帧间隔40岁,60岁,和80年,分别。理论上,Celldata_20的运动速度慢,Celldata_40和Celldata_60更高。显然,Celldata_80是最暴力的细胞内运动。

四种合成数据得到之后,首先,我们计算光流场的基础上,提出了变光流模型的数据。第二,我们计算每个光学流场的平均速度瞬时速度,定义如下: 在哪里 和 的水平和垂直分量速度点 。该地区的面积是,这是一个封闭的二维光学流场域,定义如下: 在哪里 通过实验(固定),这是用来限制的区域光流场和限制光学流数据到胞内区域。

为了评估提出了光流模型的性能,瞬时速度的四种数据计算的基础上,提出了变异与提取基于光流模型比较其他两种方法:传统的商品(8)法和Brox法(17]。所有实验参数设置如下。重量参数在能源功能设置 。在Brox模型中,梯度恒常性的假设是移除,即优化的数据项和平滑项是基于规范约束约。在传统的HS模型,优化的数据项和平滑项是基于规范约束。在我们建议的方法中,数据项是基于规范的约束,而平滑项取决于当地特点:采用规范在平滑区域的细胞规范的边缘细胞自动。此外,高斯掩模的大小 。

上述方法的实验结果(传统的Brox HS模型,模型,我们的模型)应用到数据(四种细胞视频:Celldata_20、Celldata_40 Celldata_60,和Celldata_80)如图4。横轴表示帧图像序列的数量;绿色,蓝色,红色,黑色线条代表Celldata_20的瞬时速度计算,Celldata_40, Celldata_60和Celldata_80分别。黑色线条表示Celldata_80的瞬时速度,速度最高。基于图4,发现瞬时速度的胞内区域帧间隔成正比。也就是说,较大的浮动帧之间的帧间隔和参照系,瞬时速度越高,同意的理论分析。实验结果表明,我们提出基于变异模型自适应光学流模型可以处理光流计算在边境地区的问题在一定程度上,得到光流值是接近真实的。

4.4。特征向量提取细胞内运动领域

基于上面的分析,可以看出,我们提出了自适应光学流模型可以有效地提取合成数据的瞬时速度。接下来,我们将其应用于研究细胞内运动的实际显微图像。120细胞的微观图像数据从干净的老鼠获得用于我们的实验。这些数据都从小鼠获得的三种物理状态,及其相应的细胞内运动是不同的:轻微的运动,适度的运动,和戏剧性的运动。每个视频都包含超过500帧,持续20秒左右。也就是说,我们分析了细胞内运动在20秒的时间。帧间隔用于光学流计算会影响精度的光学流场。考虑到计算成本会增加如果帧间间隔很小;相反,运动特征不能被捕获,如果帧间间隔太大,所以我们25帧间隔设置为基于大量的实验。例如,我们夹500帧从一个原始视频,然后由25个样品剪视频,所以20-frame采样视频,将用于未来光学流实现。

之后,我们提取细胞内的运动特性预处理数据,包括以下步骤:首先,计算光流场的连续两帧数据(20-frame采样视频),然后我们获得19光流场的视频帧,如图所示5(b)。其次,从每一个光学流场中提取蹄,然后我们有19帧蹄,如图所示5(c)。第三,计算连续两个蹄的欧氏距离,然后我们获得细胞内运动的一个特征向量。很明显,欧几里得距离越小,且细胞内运动,反之亦然。

为了验证的有效性特征向量,我们也预计的不同特征向量矩阵的距离120数据集在一个二维平面上使用多维标度(MDS),这是一个可视化的手段的水平相似的个案数据集(23]。MDS图所示的结果6。

图6表明三组的细胞图像序列可以清楚的区分。进一步评估质量的光学特征向量,用支持向量机(SVM)分类细胞内运动的微观图像。对于每组数据,我们随机选择20作为训练集和测试集的另一个20。所以有60 60训练集和测试集。的测试数据集的支持向量机分类精度达到91.7%。

5。讨论

在本文中,我们提出了一个新颖的方案定量分析细胞内活性基于光流模型的变化。我们应用光流模型可视化改进变异细胞内运动的速度,进一步编码速度的颜色,如图1和2。此外,蹄了量化细胞内的光流场运动,如图3和5。最后,我们进行了两个实验来验证该方法。在第一个实验中,我们验证了提出的方法合成数据,由采样获得的微观细胞视频不同intraframe间隔。实验结果如图4。如图4 (c)可以清楚的区分,四种速度根据我们提出的光流模型,而数据4(一)和4 (b)基于HS模型表明,瞬时速度和Brox模型不能有效区分。第一个实验表明细胞内运动的瞬时速度提取有效的改进光流模型。在第二个实验中,该方法应用于显微细胞从清洁小鼠获得的视频。有三种单元格数据,代表不同的情况下(轻微的细胞内运动,适度的细胞内运动,和戏剧性的细胞内运动)不同的干净的老鼠。实验结果如图6,很明显,我们建议的方法可以区分不同的细胞内运动,,支持向量机分类精度可以达到90%以上。

该方法的贡献是双重的:首先,我们提出光流模型的能量函数的自适应调整 改变当地的形象。从(6),很明显, 附近的边缘细胞,相当于规范优化的计算光流模型;因此,该模型可以解决边境问题光流的计算。而 在细胞内的中心地区,它相当于规范优化和有利于提取胞内的精确的光流场运动。第二,我们计算光流场的蹄从细胞中提取运动,连续的欧几里得距离蹄被用来量化细胞体内流动。

最后,它应该指出,仍有限制在我们的研究中。首先,我们的研究是出于医生的观察到特定的细胞更活跃(意味着更多的形态变化和细胞内运动)当病人,进行器官移植,移植排斥。考虑到安全性和性能,人类器官移植取而代之的是经历了皮肤移植的小鼠在我们的设计方案。第二,我们分析了细胞内运动在二维空间中,我们将研究扩展到三维空间,也同意更现实。

简而言之,我们提出了一个基于变异的光流计算方法模型定量分析细胞内运动的微观图像。和我们的研究将开辟新的途径为量化细胞内运动和更好地了解生物过程之间的关系以及在细胞水平上的病理现象。

附录

欧拉方程的推导

基于变分法,最小化目标函数(. 1)必须满足相关的欧拉(a .)。

在我们提出的能量自适应电视光流模型的功能如下:

我们有

所以

用(本)和(要求寄出)(a .),那么我们可以达到A.7)如下:

我们获得了欧拉(如系电视)的自适应光学流模型重新排列后(A.7)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(没有。61271112),并由青年基金会也支持从河北省教育部门(没有。QN2016169)。作者要感谢总统的北京国安医院,李宁,提供显微细胞图像。