基于改进Mask R-CNN和DeepSort的致密细胞识别与追踪
为了解决现有算法对密集细胞识别精度不高及空间轨迹错误相连的问题,建立了一种针对斑马鱼尾部中性粒密集细胞的识别与追踪网络,该网络通过改进的mask region-based convolutional neural network (Mask R-CNN)及DeepSort对细胞进行识别与追踪。首先,从自搭建的光学投影层析成像(OPT)系统获取细胞图像;然后,改进Mask R-CNN中训练模块的Huber掩膜损失、优化神经网络参数,并在检测模块中拓展灰度级动态范围来提高边缘检测性能,实现细胞的识别;最后,利用DeepSort结合改进的逐帧关联思想将定位的二维像素坐标转换为三维空间坐标,进行轨迹连接。实验结果表明:所提网络的训练效率提高了约50%;XZ和YZ面细胞分割精准率分别达到了98.99%和97.83%,比未改进的Mask R-CNN、U-Net、形态学和分水岭分割等的分割效果均有显著提高;在细胞关联性为75%时,可重建出79.6%的斑马鱼中性粒细胞轨迹。该网络能够较好地实现对高度重叠细胞的识别分割与轨迹重构,将二维定位拓展到三维空间,不仅为密集微观生物的分类识别提供了借鉴参考,而且为病理学研究中细胞应激反应提供了一个重要的直观模型。
成像系统、目标检测、卷积神经网络、细胞分割、三维追踪
59
TP3;TP181;P205
2022-10-17(万方平台首次上网日期,不代表论文的发表时间)
共1页
1811004