序列顯微熒光圖像的動(dòng)態(tài)特性定量分析及融合檢測(cè).pdf

1、熒光探針和顯微鏡技術(shù)的發(fā)展革新了細(xì)胞動(dòng)態(tài)機(jī)制研究的方式。實(shí)時(shí)拍攝細(xì)胞內(nèi)經(jīng)過熒光標(biāo)記的分子或結(jié)構(gòu)，并對(duì)其動(dòng)態(tài)行為做分析，已經(jīng)成為細(xì)胞生理和病理研究的常規(guī)操作。細(xì)胞動(dòng)態(tài)機(jī)制的研究產(chǎn)生了大量的時(shí)間序列圖像數(shù)據(jù)，定量地分析其中的動(dòng)態(tài)行為并進(jìn)一步解釋其生理機(jī)制需要多種序列圖像分析的算法。
　　 本課題提出了序列顯微圖像的動(dòng)態(tài)特性定量分析框架。該框架分為三個(gè)層次：整體運(yùn)動(dòng)性能評(píng)價(jià)，基于粒子追蹤的細(xì)節(jié)運(yùn)動(dòng)分析，動(dòng)態(tài)事件檢測(cè)。同時(shí)分析了框架中各

2、種方法的適用場(chǎng)景及優(yōu)缺點(diǎn)，對(duì)如何選擇合適的分析方法進(jìn)行了深入的討論，提出了指導(dǎo)原則。
　　 整體運(yùn)動(dòng)性能評(píng)價(jià)包括兩種方法，共定位運(yùn)動(dòng)分析以及差分運(yùn)動(dòng)分析，其中應(yīng)用高斯差分模板來檢測(cè)點(diǎn)狀色斑特征，同時(shí)提出了全自動(dòng)的線狀熒光物體分割算法，首先計(jì)算圖像的區(qū)域?qū)Ρ榷?，然后用最小交叉熵的方法?duì)區(qū)域?qū)Ρ榷冗M(jìn)行自動(dòng)分割得到最終結(jié)果。該算法不需要參數(shù)，且能自動(dòng)適應(yīng)不均勻的背景，與傳統(tǒng)的線狀物體分割算法相比對(duì)低對(duì)比度的區(qū)域分割效果更好，分割結(jié)果更

3、加平滑。整體運(yùn)動(dòng)評(píng)價(jià)方法被應(yīng)用于骨骼肌中GLUT4囊泡運(yùn)動(dòng)評(píng)價(jià)和Aβ25-35作用下PC12細(xì)胞線粒體運(yùn)動(dòng)分析。
　　 對(duì)細(xì)節(jié)運(yùn)動(dòng)分析，提出了基于多維匹配的粒子追蹤算法，將交互式多模態(tài)濾波(IMM)，多維匹配，粒子遮擋處理，粒子聚合與分裂檢測(cè)等等結(jié)合到一個(gè)統(tǒng)一的算法中。多維匹配的優(yōu)勢(shì)在于能夠通過參考前后多幀圖像更充分地利用時(shí)間空間信息。交互式多模態(tài)濾波用來保持和預(yù)測(cè)粒子的狀態(tài)，其優(yōu)勢(shì)在于可以包含多種實(shí)際生理?xiàng)l件下粒子的運(yùn)動(dòng)模型，

4、同時(shí)能夠很好地與多維匹配方法協(xié)作，隨著幀數(shù)增加能給正確的粒子關(guān)聯(lián)賦予更高的概率。算法用一個(gè)滑動(dòng)窗口劃過圖像序列，并建立相應(yīng)的粒子關(guān)聯(lián)假設(shè)，粒子暫時(shí)消失假設(shè)，聚合分裂假設(shè)。然后構(gòu)建相應(yīng)的多維匹配問題，最后得到包括斷軌重連的軌跡，以及其中的粒子聚合與分裂事件。用模擬圖像序列以及真實(shí)圖像序列對(duì)該算法驗(yàn)證表明，相對(duì)于其他的檢測(cè)關(guān)聯(lián)算法，該算法魯棒性更高，結(jié)果更加精確。粒子追蹤算法被應(yīng)用于脂肪細(xì)胞中GLUT4囊泡運(yùn)動(dòng)追蹤和神經(jīng)突起中自噬溶酶體的運(yùn)

5、動(dòng)分析。
　　 動(dòng)態(tài)事件的檢測(cè)中以囊泡融合事件自動(dòng)檢測(cè)為例，提出了應(yīng)用移動(dòng)平均差分的方法降低圖像的無關(guān)背景，并同時(shí)突出融合的核心特征，即融合開始階段囊泡亮度的上升，與基于模板匹配的方法比較表明，該方法在保留融合特征的同時(shí)去除背景的效果更好，同時(shí)適合更多種融合模式，檢測(cè)結(jié)果可用性和完備性都好過基于模板匹配的方法。融合檢測(cè)算法被應(yīng)用于分析基礎(chǔ)狀態(tài)和胰島素刺激狀態(tài)下骨骼肌中融合事件的數(shù)目。
　　 綜上所述，本研究取得了以下創(chuàng)新

6、性成果：1)差分運(yùn)動(dòng)分析中全自動(dòng)的線狀熒光物體分割算法，適用于邊界模糊，對(duì)比度不均勻的熒光圖像，降低了人為因素。2)多模態(tài)濾波和多維匹配結(jié)合的粒子追蹤算法，將粒子關(guān)聯(lián)，聚合與分裂，暫時(shí)消失的處理集成到統(tǒng)一的追蹤框架中，同時(shí)通過將多維匹配問題轉(zhuǎn)化為整數(shù)規(guī)劃，可以高效地得到該NP難問題的解。3)移動(dòng)平均差分法去除融合序列的背景并自動(dòng)檢測(cè)融合發(fā)生的位置。本課題提出的動(dòng)態(tài)分析框架為定量研究動(dòng)態(tài)生理機(jī)制提供了堅(jiān)實(shí)的基礎(chǔ)，適用于大批量序列圖像數(shù)據(jù)分