基于视频特征聚合的细胞形变动态建模

提出了一种基于图像处理架构对活细胞视频中细胞动态进行建模的方法.在这个架构下,视频中两帧间的细胞动态被表示为细胞轮廓形变和细胞内部运动的动态特征.其中,前者细胞轮廓形变利用形状上下文进行度量,而后者细胞内部运动则通过尺度不变特征变换（SIFT）流进行建模.为了更好的刻画细胞质流动,基于SIFT流的细胞运动场进一步构建细胞外观变化场.在获得上述帧级细胞动态特征之后,引入时间序列建模的方法来生成视频级的细胞动态特征.具体地,基于紧凑编码的时序特征聚合方法可以捕获整个视频中的细胞动态演变过程.活细胞视频数据库被建立以用于验证提出方法的有效性,实验结果表明提出方法对于细胞形变动态度量和分类的性能优于其它主流方法.     

基于生成对抗网络的细胞形变动态分类

提出了一种基于生成对抗网络的细胞形变动态分类方法,以活细胞视频中的细胞形变动态为对象,引入分类器辅助的生成对抗网络结构同步训练生成对抗网络和分类网络,通过生成对抗网络产生的数据提高了原本分类网络分辨细胞形变动态的性能.首先,细胞动态图像被用于将活细胞视频中的时间维度进行压缩,使其从视频域映射到图像域以方便生成对抗网络的构建.其次,基于分类器辅助的生成对抗网络结构,将分类网络的分类信息作为辅助信息来改善生成对抗网络对多类样本的生成,同时生成网络生成的多类样本可以反过来优化分类网络对于细胞动态形变的分类性能.在构建的活细胞视频数据库上,可以验证提出方法能有效地捕获细胞视频中的空时细胞形变动态,并且其分类的性能优于其它主流方法.     

基于局部时序特征的细胞视频动态形变度量和分类

使用植皮手术后小鼠的淋巴细胞作为研究目标,针对其动态形变提出一种局部形变特征,用于提取细胞形变过程中的时序信息和空间信息.该特征提取算法被应用在淋巴细胞形变数据集上,并与多个基于图像特征的形变度量算法进行了比较.实验结果表明,局部形变特征能根据形变特性准确分类细胞,在度量和分类细胞动态形变方面比基于图像特征的算法更加有效.