基于Snake模型約束對(duì)細(xì)胞微管的跟蹤研究

鄭 爽，袁 亮

(新疆大學(xué) 機(jī)械工程學(xué)院，新疆 烏魯木齊 380046)

基于Snake模型約束對(duì)細(xì)胞微管的跟蹤研究

鄭 爽，袁 亮

(新疆大學(xué) 機(jī)械工程學(xué)院，新疆 烏魯木齊 380046)

細(xì)胞微管在細(xì)胞中起到支架和胞內(nèi)運(yùn)輸作用，通過(guò)對(duì)癌變微管的跟蹤研究，能夠判斷出抗癌藥物的作用效果。傳統(tǒng)的研究方法是通過(guò)對(duì)在熒光顯微鏡下錄制的視頻圖像進(jìn)行手動(dòng)標(biāo)定，這種方法需要的人工成本高，并且存在人為誤差因素。通過(guò)Snake模型對(duì)微管邊緣進(jìn)行提取，得到和微管相接近的Snake點(diǎn)。在約束跟蹤方向的情況下，利用改進(jìn)的粒子濾波算法對(duì)單個(gè)微管進(jìn)行跟蹤，利用蛇點(diǎn)分布得到的重心來(lái)分布粒子。此方法可以實(shí)現(xiàn)對(duì)微管的自動(dòng)跟蹤，降低了人工成本，排除人為因素，并且容易得到需要的數(shù)據(jù)以便進(jìn)行后續(xù)分析。通過(guò)實(shí)驗(yàn)仿真可知，Snake模型約束的改進(jìn)粒子濾波算法用于細(xì)胞微管的跟蹤方法具有很好的準(zhǔn)確性和魯棒性。

細(xì)胞微管；自動(dòng)跟蹤；Snake模型；方向約束；重心

0 引言

細(xì)胞微管是細(xì)胞骨架中不可或缺的組成部分，對(duì)細(xì)胞的分解和發(fā)育十分重要，主要包括作用于軸突的生長(zhǎng)和遷移[1]。在細(xì)胞中，微管的網(wǎng)狀結(jié)構(gòu)起到了很重要的支架作用，并通過(guò)這些支架結(jié)構(gòu)進(jìn)行胞內(nèi)蛋白質(zhì)的運(yùn)輸。在運(yùn)輸和表達(dá)的過(guò)程中，正是由于細(xì)胞微管，軸突才能循著正確的軌跡進(jìn)行生長(zhǎng)和表達(dá)，并連接到相應(yīng)的靶細(xì)胞。對(duì)細(xì)胞中微管的作用可以總結(jié)為：支架作用，胞內(nèi)運(yùn)輸作用，癌細(xì)胞識(shí)別作用。

正是因?yàn)榧?xì)胞微管的支架作用和運(yùn)輸作用，能夠使正常的細(xì)胞循著正常的路線(xiàn)進(jìn)行生長(zhǎng)和表達(dá)。而對(duì)于癌細(xì)胞，胞內(nèi)的癌基因影響著細(xì)胞的正常生長(zhǎng)，相應(yīng)的細(xì)胞微管的運(yùn)動(dòng)也出現(xiàn)了很大的變化，主要體現(xiàn)在微管結(jié)構(gòu)不能正常伸縮、不能循著正確的軌跡把胞內(nèi)蛋白質(zhì)等進(jìn)行運(yùn)輸。于是，在醫(yī)學(xué)上可根據(jù)微管系統(tǒng)的形態(tài)功能來(lái)判斷病人是否患有癌癥。同樣，對(duì)于抗癌藥物作用于癌細(xì)胞是否能起到治療或抑制癌細(xì)胞的效果，也可以通過(guò)細(xì)胞微管的運(yùn)動(dòng)來(lái)進(jìn)行判斷。例如，在研究抗癌藥物紫杉醇的效果時(shí)，就可以用這種方法。

目前對(duì)微管的跟蹤研究，國(guó)外的一些大學(xué)和學(xué)者進(jìn)行了深入的研究，在多數(shù)情況下為手動(dòng)標(biāo)定，不僅工作量大，容易出錯(cuò)，而且需要手動(dòng)收集數(shù)據(jù)信息。文獻(xiàn)[1]提出了利用圖像處理和尖端檢測(cè)進(jìn)行微管的跟蹤和動(dòng)力學(xué)建模，但是對(duì)不同的微管很難進(jìn)行區(qū)分，容易出現(xiàn)目標(biāo)丟失的現(xiàn)象[2]。文獻(xiàn)[3]中利用改進(jìn)的Snake模型對(duì)微管量化分析，無(wú)法進(jìn)行局部的分析和觀(guān)察。為了實(shí)現(xiàn)對(duì)微管的局部分析和跟蹤，通過(guò)Snake模型和改進(jìn)粒子濾波算法，對(duì)單個(gè)微管目標(biāo)進(jìn)行跟蹤。該方法可以精確地對(duì)單個(gè)目標(biāo)進(jìn)行跟蹤分析。

1 Snake模型

Snake因其對(duì)廣泛的視覺(jué)問(wèn)題給出了統(tǒng)一的解決方案而得到了廣泛使用，隨著在計(jì)算機(jī)視覺(jué)上的成熟使用，其在邊緣提取、目標(biāo)跟蹤、圖像分割等方面得到了廣泛的利用[4-7]。

Snake模型的數(shù)學(xué)表達(dá)為：

(1)

其中：v(s)=[x(s),y(s)]為活動(dòng)輪廓線(xiàn)，s∈(0,1)為弧長(zhǎng)。

內(nèi)部能量函數(shù)Ein(v(s))為：

(2)

式中α,β為活動(dòng)輪廓線(xiàn)的彈性和剛度，v′(s)和v″(s)分別為v(s)對(duì)s的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

外部能量函數(shù)Eout(v(s))是由圖像能量函數(shù)或其他外部約束所產(chǎn)生的能量函數(shù)：

Eout(v(s))=γ(s)Eim(v(s))+Econ(v(s))

(3)

式中Eim(v(s))反映圖像的某些特征，如灰度特征、邊緣特征等，利用這些特征的分布，將Snake模型吸引到目的區(qū)域[4，8]。Econ(v(s))是人為加入的外部約束能量，可以用來(lái)限制Snake的形變[4，9]。

2 改進(jìn)的粒子濾波算法

圖像目標(biāo)在移動(dòng)的過(guò)程中，會(huì)存在不確定因素的變化?？紤]轉(zhuǎn)動(dòng)慣量對(duì)幾何畸變(如平移、旋轉(zhuǎn)、縮放)有較好的不變性，將粒子按照?qǐng)D像的重心，以轉(zhuǎn)動(dòng)慣量為分布條件，形成了粒子有效的分布特征[10-12]。重心分布特征對(duì)微管的伸縮、旋轉(zhuǎn)、不規(guī)則變化有很好的效果。引入重心分布特性可以很好地處理神經(jīng)絲的不確定變化。

(4)

(5)

則搜索框繞重心的轉(zhuǎn)動(dòng)慣量為：

(6)

根據(jù)搜索框的重心和轉(zhuǎn)動(dòng)慣量的定義，可以得到圖像繞重心的歸一化轉(zhuǎn)動(dòng)慣量為：

(7)

連續(xù)兩幀圖像的搜索框中，對(duì)每個(gè)粒子區(qū)域求其歸一化轉(zhuǎn)動(dòng)慣量值，假設(shè)前一幀的歸一化轉(zhuǎn)動(dòng)慣量的值為N1，當(dāng)前幀的歸一化轉(zhuǎn)動(dòng)慣量的值為N2，判斷兩幀圖像搜索框的相似度：

(8)

定義粒子的歸一化轉(zhuǎn)動(dòng)慣量觀(guān)測(cè)值為：

(9)

其中，ZN為歸一化轉(zhuǎn)動(dòng)慣量的觀(guān)測(cè)，PN為觀(guān)測(cè)似然函數(shù)。

3 對(duì)微管的跟蹤算法

為實(shí)現(xiàn)Snake模型，需要將連續(xù)的問(wèn)題轉(zhuǎn)換為離散的數(shù)組問(wèn)題。將Snake曲線(xiàn)v(s)離散抽樣為N個(gè)點(diǎn)，每個(gè)點(diǎn)稱(chēng)為蛇點(diǎn)，用v(i)表示，其中i=1,…,N[4，13]。能量函數(shù)可以表示為：

(10)

利用蛇點(diǎn)的分布，約束橢圓的方向范圍，本實(shí)驗(yàn)給出的約束范圍為-15°～15°。

對(duì)最終得到的蛇點(diǎn)求其重心：

(11)

(12)

其中：Gv(x)為在x方向的重心；Gv(y)為在y方向的重心。

根據(jù)所求得的重心，利用改進(jìn)的粒子濾波算法進(jìn)行目標(biāo)的預(yù)測(cè)。

算法的實(shí)現(xiàn)步驟如下[14-16]：

(2)粒子狀態(tài)轉(zhuǎn)移：根據(jù)式(9)計(jì)算粒子的歸一化轉(zhuǎn)動(dòng)慣量。

(3)粒子權(quán)值計(jì)算及目標(biāo)狀態(tài)估計(jì)：利用傳統(tǒng)的粒子濾波算法計(jì)算其權(quán)值和目標(biāo)估計(jì)。

(5)返回步驟(2)繼續(xù)跟蹤。

4 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證上面跟蹤方法的有效性和準(zhǔn)確性，本文進(jìn)行仿真實(shí)驗(yàn)。所用設(shè)備為：Lenovo筆記本，內(nèi)存4 GB，Intel CORE i5處理器，通過(guò)MATLAB編程實(shí)現(xiàn)。

實(shí)驗(yàn)為在熒光顯微鏡下錄制的真實(shí)視頻，對(duì)視頻中的單一微管進(jìn)行跟蹤。視頻共99幀。

圖1 Snake邊緣提取

實(shí)驗(yàn)一：利用Snake模型對(duì)微管的邊緣進(jìn)行提取和標(biāo)記，實(shí)驗(yàn)結(jié)果如圖1所示。

實(shí)驗(yàn)二：利用微管跟蹤算法對(duì)微管進(jìn)行自動(dòng)跟蹤。本實(shí)驗(yàn)選擇視頻中的第4幀、第18幀、第25幀、第47幀，實(shí)驗(yàn)結(jié)果如圖2所示，前兩幀為未出現(xiàn)交叉情況下的跟蹤結(jié)果，后兩幀為出現(xiàn)交叉情況下的跟蹤結(jié)果。

圖2 微管跟蹤結(jié)果

以手動(dòng)標(biāo)定作為對(duì)比，比較x坐標(biāo)方向上自動(dòng)跟蹤和手動(dòng)標(biāo)定的結(jié)果誤差和y坐標(biāo)方向上自動(dòng)跟蹤和手動(dòng)標(biāo)定的結(jié)果誤差，可以得到x方向上手動(dòng)標(biāo)定和自動(dòng)跟蹤誤差對(duì)比圖和y方向上手動(dòng)標(biāo)定和自動(dòng)跟蹤誤差對(duì)比圖如圖3所示。

對(duì)于實(shí)驗(yàn)一實(shí)驗(yàn)仿真結(jié)果分析：利用Snake模型對(duì)微管邊緣進(jìn)行提取，在約束方向的情況下對(duì)于線(xiàn)性微管具有良好的邊緣提取效果，在出現(xiàn)交叉的情況下，由于對(duì)橢圓在方向上有一定的約束，受到其他微管的影響較小，有利于Snake點(diǎn)的數(shù)據(jù)提取，為下一步的跟蹤提供了良好的數(shù)據(jù)基礎(chǔ)。

對(duì)于實(shí)驗(yàn)二的仿真結(jié)果分析：在Snake模型邊緣提取得到的數(shù)據(jù)基礎(chǔ)上，將數(shù)據(jù)和跟蹤算法有效結(jié)合，能夠?qū)崿F(xiàn)更加準(zhǔn)確的目標(biāo)跟蹤和預(yù)測(cè)，同時(shí)在預(yù)測(cè)的過(guò)程中約束運(yùn)動(dòng)的方向，防止橢圓出現(xiàn)大范圍的轉(zhuǎn)動(dòng)，能夠在目標(biāo)出現(xiàn)交叉的情況下進(jìn)行準(zhǔn)確的跟蹤，同時(shí)減小受到其他微管的影響。從圖3的對(duì)比結(jié)果可以看出，對(duì)于自動(dòng)跟蹤方法跟蹤到的目標(biāo)橢圓重心和手動(dòng)標(biāo)定的微管尖端位置基本重合，跟蹤結(jié)果具有良好的準(zhǔn)確性。

5 結(jié)論

由于細(xì)胞微管的重要醫(yī)學(xué)研究作用，在跟蹤其運(yùn)動(dòng)規(guī)律的過(guò)程中精度要求比較高，以此來(lái)分析微管的運(yùn)動(dòng)性質(zhì)。但對(duì)于微管的不確定性、非線(xiàn)性運(yùn)動(dòng)及可能出現(xiàn)的伸縮變形等對(duì)跟蹤提出了巨大的挑戰(zhàn)。傳統(tǒng)的方法可以在一定程度上達(dá)到跟蹤的目的，但后續(xù)的分析數(shù)據(jù)偏差較大。本文提出的融合Snake模型的改進(jìn)粒子濾波算法，根據(jù)細(xì)胞微管的采樣視屏的特點(diǎn)，利用Snake點(diǎn)和重心法來(lái)描述具有很大的優(yōu)勢(shì)。對(duì)于跟蹤過(guò)程中微管出現(xiàn)的交叉情況，采用約束橢圓的方向擺動(dòng)范圍和Snake模型的邊緣

圖3 微管跟蹤結(jié)果分析

提取進(jìn)行跟蹤。實(shí)驗(yàn)結(jié)果表明，基于Snake模型約束的改進(jìn)粒子濾波算法在神細(xì)胞微管的跟蹤中具有更好的準(zhǔn)確性和魯棒性。

[1] 孔令偉,金志剛,謝直勤,等.神經(jīng)元微管蛋白的研究發(fā)展[J].生命科學(xué),2001,4(2):70-74.

[2] SABAN M, ALTINOK A.Automated tracking and modeling of microtubule dynamics[J].IEEE Electrical and Computer Engineering,2006,8(8):1032-1035.

[3] KONG K Y, MARCUS A I.Using particle filter to track and model microtubule dynamics[C].International Conference on Image Processing,2007:517-520.

[4] 李培華,張?zhí)镂?主動(dòng)輪廓線(xiàn)模型(蛇模型)綜述[J].軟件學(xué)報(bào),2000,11(6):751-757.

[5] AMINI A A, WEYMOUTH T E, JAIN R C.Using dynamic programming for solving variational problem in vision[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(9):855-867.

[6] 張娟,毛曉波,陳鐵軍. 運(yùn)動(dòng)目標(biāo)跟蹤算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2009,26(12):4407-4410.

[7] 王新余,張桂林. 基于光流的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)方法研究[J].計(jì)算機(jī)工程與應(yīng)用,2014,1(4):43-46.

[8] Wang Xinyu,Zhang Guilin.Study on real-time detection method of moving target based on optical flow[J]. Computer Engineering and Applications, 2014,1(4):43-46.

[9] Zhang Juan, Mao Xiaobo, Chen Tiejun. Survey of moving object tracking algor ithm[J]. ApplicationR esearch ofComputers, 2009,26(12):4407-4410.

[10] Liang Yuan,Yuan F.Zheng.Object tracking with particle filterring in fluorescence microscopy images:application to the motion of neurofilaments in axons[J].IEEE Transaction on Medical Imaging,2012,31(1):117-130.

[11] 于金霞,許景民.多特征融合的自適應(yīng)性粒子濾波跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(18):178-181.

[12] Yu Jinxia, Xu Jingmin. Adaptive particle filter tracking algorithm by fusing multi-features[J]. Computer Engineering and Applications, 2014, 50(18):178-181.

[13] KASS M, WITHKIN A, TERZOPOUS D. Snakes: active contour models[J].International Journal of Computer Vision,1987,1(4):321-331.

[14] 袁亮.基于粒子濾波算法的神經(jīng)絲自動(dòng)跟蹤[J],計(jì)算機(jī)工程與應(yīng)用,2013,50(9):25-31.

[15] Yuan Liang. Neurofilaments tracking with particle filtering algorithm[J]. Computer Engineering and Applications,2014, 50(9)：25-31.

[16] ARULAMPALAM M S, MASKELL S. A tutorial on partical filter for online nonlinear/no N-Gaussion bayesian tracking[J].IEEE Transactions on Signal Imaging,2002,50(2):174-188.

Study of tracking cell microtubules based on constraint Snake model

Zheng Shuang, Yuan Liang

(School of Mechanical Engineering, Xinjiang University, Urumchi 830047, China)

Cellular microtubules in cells play a role of stents and intracellular transport, through tracking research for the cancerous microtubules, we can determine the effects of anti-cancer drugs. The traditional research method is based on recorded under fluorescent microscope video image manual calibration, which requires high labor costs, and carries human error factor. Through the Snake model we extract edge of microtubules and obtain microtubule near point of Snake. In the case of constraint tracking direction, the improved particle filter algorithm is used to track a single microtubules, and particles distribution is realized by the center of gravity of the distribution points which is obtained from Snake. This method can realize automatic tracking of microtubules, reduce the labor costs, eliminate human factors, and be easy to get the needed data for further analysis. The experimental simulation in the Snake model showed that constraint of improved particle filter algorithm of cell microtubules tracking method has good accuracy and robustness.

cell microtubule; automatic tracking; Snake model; direction constraints; the center of gravity

TP751.1

A

10.19358/j.issn.1674- 7720.2017.16.003

鄭爽，袁亮.基于Snake模型約束對(duì)細(xì)胞微管的跟蹤研究[J].微型機(jī)與應(yīng)用，2017,36(16)：8-10，14.

2017-02-25)

鄭爽(1990-)，男，碩士研究生，主要研究方向：視覺(jué)跟蹤。

袁亮(1966-)，男，教授，博士生導(dǎo)師，主要研究方向：機(jī)器人學(xué)與視覺(jué)跟蹤。