论文部分内容阅读
近年来,RNA干扰技术正逐步成为一种有效的工具,为辅助生物学家了解基因在复杂生物过程中的功能起到了重要的作用,然而,荧光显微镜对该过程的自动成像则会产生海量数据的图像,且这些图像质量变化很大,导致传统的人工分析方法费时费力且不准确。因此,通过计算机对细胞图像进行自动分析成为当前的追切需要,其中图像分割是图像分析过程的第一步也是最重要的一步。但是,现有的图像分割技术应用于生物图像难以取得满意的效果,因此,研究开发出有效的全自动生物图像分割算法方法具有重要的理论意义和实际的应用价值。
本文在Boykov等人提出的graph cut分割模型基础上,重点研究针对具有大规模数据输出的RNAi图像的全自动图像分割方法,论文的主要工作及创新之处在于:
一、本文提出了一种改进的基于graph cut的动态轮廓算法用予对具有复杂形状的单细胞快速分割。
由于细胞具有复杂的形状,传统的分割方法往往难以获得满意的效果。本文提出的方法以graph cut的动态轮廓算法为基础,引入约束项因子作为图像先验信息,对图像进行增强;并引入小波显著特征点的概念,通过自动寻找小波显著特征点作为控制点,对分割结果进行修正,从而进一步提高了分割精度。特别地,由于采用了窄带法的思想,该算法运算量非常小,非常适用于快速分割。
二、本文提出一种分级化的多标记graph cut算法以自动分割粘连细胞。
当前的生物图像分割算法往往对感兴趣的物体直接分割,然而,由于RNAi图像的复杂性,现有方法建立的数学模型相对简单,从而难以得到满意的结果。本文提出的方法采用了类似于分类树结构的分级化算法,通过两步分割来解决问题:首先是将粘连细胞从背景中提取出来;其次对粘连细胞进行分离。在每一步中,我们可以通过设计不同的马尔可夫随机场模型分开解决不同的难题,从而简化了对粘连细胞分割的难度并大大提高了分割的精度。
与现有流行的图像分割算法,如标记约束的分水岭算法,水平集方法相比,本文提出的两种算法在RNAi细胞分割的应用上做出了显著的改进,因此,本文提出的技术可以被广泛应用于多通道成像图像数据的自动分析中。