本文關(guān)鍵詞：基于收斂指數(shù)的顯微圖像中細(xì)胞檢測(cè)計(jì)數(shù)與三維重建研究，由筆耕文化傳播整理發(fā)布。

【摘要】：細(xì)胞顯微圖像處理與分析在生命科學(xué)領(lǐng)域占有非常重要的地位。隨著顯微鏡技術(shù)的發(fā)展,多種不同用途的顯微平臺(tái)被逐漸開(kāi)發(fā)出來(lái),由此產(chǎn)生了大量的高通量、高信息量生物微觀數(shù)據(jù)。這些數(shù)據(jù)的分析工作給計(jì)算機(jī)科學(xué)領(lǐng)域與生命科學(xué)領(lǐng)域的研究人員帶來(lái)極大的挑戰(zhàn)。細(xì)胞檢測(cè)與計(jì)數(shù)、神經(jīng)元細(xì)胞解剖結(jié)構(gòu)的三維重建都是顯微圖像分析領(lǐng)域的研究熱點(diǎn),人們已經(jīng)提出了多種方法來(lái)輔助完成此類工作,然而這些方法在檢測(cè)精度、種類和效率等方面仍有很大不足。本文對(duì)顯微圖像處理領(lǐng)域中細(xì)胞檢測(cè)計(jì)數(shù)與三維重建方法進(jìn)行了研究,開(kāi)展了暗視野高密度細(xì)胞、明亮視野昆蟲(chóng)細(xì)胞的檢測(cè)與計(jì)數(shù)以及神經(jīng)元細(xì)胞三維重建的探索性研究工作。論文主要內(nèi)容如下:針對(duì)暗視野高密度細(xì)胞提出一種基于滑動(dòng)帶濾波器的細(xì)胞計(jì)數(shù)方法,并應(yīng)用在視網(wǎng)膜外膜層的細(xì)胞檢測(cè)計(jì)數(shù)上面。該方法是基于傳統(tǒng)的滑動(dòng)帶濾波,通過(guò)對(duì)細(xì)胞原始圖像增強(qiáng)而獲得細(xì)胞中心點(diǎn)的方式來(lái)檢測(cè)需要計(jì)數(shù)的細(xì)胞。實(shí)驗(yàn)評(píng)估結(jié)果表明提出的方法準(zhǔn)確性高,與人工計(jì)數(shù)的結(jié)果接近,明顯優(yōu)于目前高密度細(xì)胞計(jì)數(shù)的方法,同時(shí)也適合暗視野下密度較低的細(xì)胞。針對(duì)明亮視野中的昆蟲(chóng)細(xì)胞,提出一種新型細(xì)胞檢測(cè)計(jì)數(shù)方法,用來(lái)解決桿狀病毒表達(dá)體系的宿主細(xì)胞大規(guī)模培養(yǎng)過(guò)程中細(xì)胞計(jì)數(shù)問(wèn)題。首先比較明暗視野下細(xì)胞圖像灰度梯度向量的分布特點(diǎn),基于滑動(dòng)帶濾波,我們調(diào)整收斂指數(shù)的計(jì)算方式,使其適應(yīng)明亮視野下細(xì)胞結(jié)構(gòu),實(shí)現(xiàn)增強(qiáng)細(xì)胞中心來(lái)對(duì)細(xì)胞進(jìn)行檢測(cè)計(jì)數(shù)。性能分析顯示,我們提出的方法在錯(cuò)誤率和精度上面與人工計(jì)數(shù)接近,同時(shí)對(duì)細(xì)胞生長(zhǎng)曲線的繪制也能為生物實(shí)驗(yàn)工作人員提供準(zhǔn)確的細(xì)胞生長(zhǎng)軌跡,證明了該方法可以應(yīng)用于昆蟲(chóng)細(xì)胞培養(yǎng)工作中,對(duì)提高整個(gè)過(guò)程的操作效率帶來(lái)的極大的幫助。神經(jīng)元細(xì)胞解剖結(jié)構(gòu)三維重建在神經(jīng)科學(xué)領(lǐng)域中占有非常重要的地位。本部分研究中,我們將二維收斂指數(shù)與滑動(dòng)帶濾波擴(kuò)展至三維空間,提出基于三維空間收斂指數(shù)的空間域滑動(dòng)體濾波來(lái)獲取神經(jīng)元細(xì)胞體數(shù)據(jù)的關(guān)鍵點(diǎn),隨后利用脊標(biāo)準(zhǔn)相似性法則來(lái)篩選位于神經(jīng)元細(xì)胞體中的種子點(diǎn)用于后續(xù)重建。結(jié)果顯示,我們提出的方法篩選到的種子點(diǎn)在其有效性上面明顯優(yōu)于傳統(tǒng)的方法。在重建神經(jīng)元解剖結(jié)構(gòu)過(guò)程中,引入基于滑動(dòng)體濾波的外力場(chǎng)來(lái)改進(jìn)傳統(tǒng)的活動(dòng)曲線模型,從而實(shí)現(xiàn)對(duì)神經(jīng)元細(xì)胞骨架的重建。隨后根據(jù)神經(jīng)細(xì)胞體橫截面的邊緣特點(diǎn),提出基于二維滑動(dòng)帶的方法來(lái)估計(jì)神經(jīng)元細(xì)胞橫截面邊界輪廓,使得最終重建的骨架在橫截面半徑邊緣估計(jì)上面更加接近真實(shí)的細(xì)胞;最后基于半徑輪廓線重建了神經(jīng)元細(xì)胞的表面。在整個(gè)神經(jīng)元細(xì)胞重建部分,我們分別在種子點(diǎn)篩選、神經(jīng)細(xì)胞骨架重建與細(xì)胞體橫截面半徑估計(jì)三部分做改進(jìn),最后應(yīng)用輪廓線重建的方法將整體神經(jīng)元細(xì)胞解剖結(jié)構(gòu)呈現(xiàn)出來(lái),通過(guò)比較后的結(jié)果證明我們提出的重建策略在篩選高效種子點(diǎn)、對(duì)抗圖像信號(hào)衰減以及神經(jīng)元細(xì)胞半徑邊緣估計(jì)上面明顯優(yōu)于傳統(tǒng)的活動(dòng)曲線模型策略。綜上,本文分別對(duì)顯微圖像分析領(lǐng)域中的二維細(xì)胞計(jì)數(shù)、三維的神經(jīng)細(xì)胞解剖結(jié)構(gòu)重建方法進(jìn)行探索性研究,實(shí)驗(yàn)與實(shí)際應(yīng)用的結(jié)果證明了提出的方法可以應(yīng)用于高密度細(xì)胞、明亮視野細(xì)胞與神經(jīng)元細(xì)胞的圖像分析處理中來(lái)獲取研究所需要的細(xì)胞數(shù)量及解剖結(jié)構(gòu)信息。
【關(guān)鍵詞】：顯微圖像處理 細(xì)胞計(jì)數(shù) 神經(jīng)元重建 收斂指數(shù) 開(kāi)放曲線模型
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-5
• ABSTRACT5-13
• 第1章 緒論13-32
• 1.1 課題背景及意義13-15
• 1.1.1 課題研究背景13-14
• 1.1.2 課題研究意義14-15
• 1.2 細(xì)胞檢測(cè)計(jì)數(shù)與三維重建研究現(xiàn)狀15-25
• 1.2.1 細(xì)胞檢測(cè)計(jì)數(shù)研究現(xiàn)狀15-20
• 1.2.2 神經(jīng)元細(xì)胞解剖結(jié)構(gòu)三維重建研究現(xiàn)狀20-25
• 1.3 收斂指數(shù)理論概述25-30
• 1.3.1 收斂指數(shù)26-27
• 1.3.2 收斂指數(shù)濾波家族成員27-30
• 1.4 本文的主要研究?jī)?nèi)容30
• 1.5 本文的內(nèi)容安排30-32
• 第2章 基于滑動(dòng)帶濾波的高密度細(xì)胞檢測(cè)與計(jì)數(shù)32-52
• 2.1 引言32-33
• 2.2 高密度細(xì)胞計(jì)數(shù)33-36
• 2.2.1 細(xì)胞處理方法33-34
• 2.2.2 視網(wǎng)膜感光細(xì)胞計(jì)數(shù)34-36
• 2.3 細(xì)胞數(shù)據(jù)36-38
• 2.3.1 數(shù)據(jù)來(lái)源與采集方式36
• 2.3.2 圖像特點(diǎn)36-38
• 2.4 基于滑動(dòng)帶濾波的高密度細(xì)胞檢測(cè)方法38-43
• 2.4.1 滑動(dòng)帶濾波39-40
• 2.4.2 細(xì)胞檢測(cè)算法40-42
• 2.4.3 細(xì)胞檢測(cè)性能評(píng)估方法42-43
• 2.5 實(shí)驗(yàn)結(jié)果與分析43-51
• 2.5.1 參數(shù)設(shè)計(jì)與選擇43
• 2.5.2 細(xì)胞檢測(cè)實(shí)驗(yàn)結(jié)果分析43-47
• 2.5.3 同類方法比較結(jié)果47-51
• 2.6 本章小結(jié)51-52
• 第3章 基于修飾滑動(dòng)帶濾波的明亮視野細(xì)胞檢測(cè)與計(jì)數(shù)52-69
• 3.1 引言52-53
• 3.2 細(xì)胞制備與數(shù)據(jù)獲取53-56
• 3.2.1 桿狀病毒表達(dá)體系53-54
• 3.2.2 基于血球計(jì)數(shù)板的細(xì)胞計(jì)數(shù)54-55
• 3.2.3 昆蟲(chóng)細(xì)胞培養(yǎng)55-56
• 3.2.4 昆蟲(chóng)細(xì)胞圖像數(shù)據(jù)采集56
• 3.3 基于修飾滑動(dòng)帶濾波的細(xì)胞檢測(cè)方法56-61
• 3.3.1 流程及評(píng)估方法56-58
• 3.3.2 明暗視野下細(xì)胞圖像比較58-60
• 3.3.3 基于修飾滑動(dòng)帶濾波的明亮視野細(xì)胞計(jì)數(shù)60-61
• 3.4 實(shí)驗(yàn)結(jié)果與分析61-68
• 3.4.1 參數(shù)設(shè)計(jì)與選擇61-63
• 3.4.2 細(xì)胞檢測(cè)結(jié)果分析與同類方法比較63-68
• 3.5 本章小結(jié)68-69
• 第4章 神經(jīng)元細(xì)胞三維圖像種子點(diǎn)檢測(cè)69-88
• 4.1 引言69-70
• 4.2 數(shù)據(jù)集預(yù)處理70-75
• 4.2.1 數(shù)據(jù)集70
• 4.2.2 管狀濾波器（Vesselness）增強(qiáng)70-72
• 4.2.3 三維梯度向量流72-75
• 4.3 基于滑動(dòng)體濾波的神經(jīng)元細(xì)胞種子點(diǎn)檢測(cè)方法75-79
• 4.3.1 空間收斂指數(shù)76-77
• 4.3.2 滑動(dòng)體濾波器77-78
• 4.3.3 種子點(diǎn)篩選78-79
• 4.4 實(shí)驗(yàn)結(jié)果與分析79-87
• 4.4.1 圖像可視化及預(yù)處理結(jié)果79-81
• 4.4.2 種子點(diǎn)篩選結(jié)果比較81-87
• 4.5 本章小結(jié)87-88
• 第5章 基于骨架的神經(jīng)元細(xì)胞解剖結(jié)構(gòu)重建88-113
• 5.1 引言88-89
• 5.2 活動(dòng)輪廓模型概述89-93
• 5.2.1 2D活動(dòng)輪廓模型89-90
• 5.2.2 2D GVF Snake模型90-91
• 5.2.3 3D可變曲面模型91-92
• 5.2.4 開(kāi)放曲線模型92-93
• 5.3 神經(jīng)元細(xì)胞骨架重建93-97
• 5.3.1 模型設(shè)計(jì)93-95
• 5.3.2 重建算法描述95-97
• 5.4 神經(jīng)元細(xì)胞半徑邊緣估計(jì)97-100
• 5.4.1 傳統(tǒng)神經(jīng)元半徑估計(jì)方法97-99
• 5.4.2 基于 2D滑動(dòng)帶的神經(jīng)元半徑估計(jì)方法99-100
• 5.5 基于輪廓線的神經(jīng)元細(xì)胞表面重建100-102
• 5.5.1 輪廓線表示100-101
• 5.5.2 神經(jīng)元細(xì)胞表面生成與平滑101-102
• 5.6 實(shí)驗(yàn)結(jié)果與分析102-111
• 5.6.1 參數(shù)選擇102-103
• 5.6.2 實(shí)驗(yàn)結(jié)果分析103-111
• 5.7 本章小結(jié)111-113
• 結(jié)論113-115
• 參考文獻(xiàn)115-128
• 攻讀博士學(xué)位期間發(fā)表的論文及其它成果128-130
• 致謝130-131
• 個(gè)人簡(jiǎn)歷131-132
• 附錄132-134

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 經(jīng)一平,金釜;血紅細(xì)胞的計(jì)算機(jī)自動(dòng)識(shí)別與快速計(jì)數(shù)方法[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;1991年03期

2 蘇茂君;王兆濱;張紅娟;馬義德;;基于PCNN自動(dòng)波特征的血細(xì)胞圖像分割和計(jì)數(shù)方法[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2009年01期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 劉俊麗;牛乳體細(xì)胞圖像處理及計(jì)數(shù)方法的研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2007年

2 張東杰;斑馬魚(yú)視網(wǎng)膜細(xì)胞圖像分析研究[D];南京理工大學(xué);2008年

  本文關(guān)鍵詞：基于收斂指數(shù)的顯微圖像中細(xì)胞檢測(cè)計(jì)數(shù)與三維重建研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：256334