细胞的形态特征与细胞生理紧密相关,是生物医学研究中的重要观察目标之一,被广泛应用于生理组织和器官的状态检测。近年来,医学影像技术和计算机技术的飞速发展极大地推动了显微成像技术和细胞图像处理技术的进步,越来越多的研究工作开始着眼于的细胞形态变化。细胞的形态变化能够为研究者提供更多细胞相关生理信息,其中细胞短时间内的动态形变更能快速、直接地反映细胞生理的状态和活动信息,但是如何有效处理和分析细胞动态形变也成为细胞图像处理领域新的挑战。因此,度量和分类细胞动态形变对细胞生物学研究具有重要意义。本文以显微视频数据中T淋巴细胞的形态变化为对象,建立细胞动态形变数据库及预处理框架,设计图像特征提取算法处理细胞动态形变,根据细胞视频图像形变特性提出基于时序特征的动态形变度量和分类算法,引入深度学习算法自动提取细胞形变特征并分类。论文的主要工作和研究成果主要体现在以下几个方面。1.建立了细胞动态形变数据库和预处理框架。通过与北京佑安医院合作,采集细胞动态形变视频数据,并对数据进行筛选和标记。针对细胞动态形变数据特性,设计出一套能够有效保持动态形变关键信息的数据预处理框架,对细胞进行尺度归一化和姿态对齐。通过采集实验数据和预处理,建立细胞动态形变数据库,为后续的研究工作及算法验证打好基础。2.开发出一种能够有效识别彩色图像的四元数通用傅里叶描述子。结合图像特征和四元数,开发出一种能够处理图像彩色信息的四元数通用傅里叶描述子,在彩色图像特征提取和目标识别中取得了突出效果。将四元数通用傅里叶描述子及多种图像特征应用于细胞动态形变度量和分类研究,测试和分析各图像特征在提取细胞形变信息时的效果,并总结算法的优势和不足。发现了细胞动态形变数据的特点,明确了细胞动态形变处理算法需要解决的问题,为研发细胞动态形变信息提取算法指明了方向。3.提出了针对细胞视频图像动态形变的时序特征提取和分析算法。针对细胞动态形变的时序特性和空间不一致性,分别提出三种提取动态形变特征的方法。首先,针对细胞形变度量特征选取的问题,提出一种基于匹配游程统计的算法,利用能量函数直接量化细胞形态间的相似度,并通过游程统计提取细胞形变的时序信息。随后,根据对淋巴细胞动态形变数据的观察和对图像特征的研究,提出一种可以描述细胞局部形变时序特性的算法,充分考虑动态形变空时特性,更好地量化形变信息。最后,以细胞局部形变特征为基础,结合无监督学习算法,发现细胞的局部形变模式,简化形变特征同时提高动态形变特征提取的效果。实验结果表明,与基于图像特征的算法相比,所提的三种算法利用时间信息能更精准地描述细动态形变,通过提取局部形变特征可以更好地度量动态形变,无监督学习发掘出细胞的局部形变模式提高了动态形变分析和分类的准确性及稳定性。4.引入了深度学习技术自动提取细胞动态形态特征并分类。鉴于深度学习在图像处理中的突出表现,通过转换实验数据格式将卷积神经网络引入细胞动态形变研究中。针对动态形变视频数据维度高、数据量小的问题,提出一种提取细胞轮廓谱的方法,将细胞形变的关键信息映射到二维图像上降低数据维度,并提出相应的数据增强方法,极大地提高数据量。随后,将生成的细胞轮廓谱作为卷积神经网络的输入,应用深度学习解决细胞动态形变分类问题。为了全面测试卷积神经网络的效果,在建立的两个细胞动态形变数据集上分别实验了三种使用卷积神经网络的方法。实验结果表明,利用提取的细胞轮廓谱,卷积神经网络能够自动学习动态形变特征并进行分类,表现出强大的数据分析和处理能力,迁移学习方法能使卷积神经网络在细胞动态形变分类上能表现出最佳效果。