论文部分内容阅读
荧光探针和显微镜技术的发展革新了细胞动态机制研究的方式。实时拍摄细胞内经过荧光标记的分子或结构,并对其动态行为做分析,已经成为细胞生理和病理研究的常规操作。细胞动态机制的研究产生了大量的时间序列图像数据,定量地分析其中的动态行为并进一步解释其生理机制需要多种序列图像分析的算法。本课题提出了序列显微图像的动态特性定量分析框架。该框架分为三个层次:整体运动性能评价,基于粒子追踪的细节运动分析,动态事件检测。同时分析了框架中各种方法的适用场景及优缺点,对如何选择合适的分析方法进行了深入的讨论,提出了指导原则。整体运动性能评价包括两种方法,共定位运动分析以及差分运动分析,其中应用高斯差分模板来检测点状色斑特征,同时提出了全自动的线状荧光物体分割算法,首先计算图像的区域对比度,然后用最小交叉熵的方法对区域对比度进行自动分割得到最终结果。该算法不需要参数,且能自动适应不均匀的背景,与传统的线状物体分割算法相比对低对比度的区域分割效果更好,分割结果更加平滑。整体运动评价方法被应用于骨骼肌中GLUT4囊泡运动评价和Aβ25-35作用下PC12细胞线粒体运动分析。对细节运动分析,提出了基于多维匹配的粒子追踪算法,将交互式多模态滤波(IMM),多维匹配,粒子遮挡处理,粒子聚合与分裂检测等等结合到一个统一的算法中。多维匹配的优势在于能够通过参考前后多帧图像更充分地利用时间空间信息。交互式多模态滤波用来保持和预测粒子的状态,其优势在于可以包含多种实际生理条件下粒子的运动模型,同时能够很好地与多维匹配方法协作,随着帧数增加能给正确的粒子关联赋予更高的概率。算法用一个滑动窗口划过图像序列,并建立相应的粒子关联假设,粒子暂时消失假设,聚合分裂假设。然后构建相应的多维匹配问题,最后得到包括断轨重连的轨迹,以及其中的粒子聚合与分裂事件。用模拟图像序列以及真实图像序列对该算法验证表明,相对于其他的检测关联算法,该算法鲁棒性更高,结果更加精确。粒子追踪算法被应用于脂肪细胞中GLUT4囊泡运动追踪和神经突起中自噬溶酶体的运动分析。动态事件的检测中以囊泡融合事件自动检测为例,提出了应用移动平均差分的方法降低图像的无关背景,并同时突出融合的核心特征,即融合开始阶段囊泡亮度的上升,与基于模板匹配的方法比较表明,该方法在保留融合特征的同时去除背景的效果更好,同时适合更多种融合模式,检测结果可用性和完备性都好过基于模板匹配的方法。融合检测算法被应用于分析基础状态和胰岛素刺激状态下骨骼肌中融合事件的数目。综上所述,本研究取得了以下创新性成果:1)差分运动分析中全自动的线状荧光物体分割算法,适用于边界模糊,对比度不均匀的荧光图像,降低了人为因素。2)多模态滤波和多维匹配结合的粒子追踪算法,将粒子关联,聚合与分裂,暂时消失的处理集成到统一的追踪框架中,同时通过将多维匹配问题转化为整数规划,可以高效地得到该NP难问题的解。3)移动平均差分法去除融合序列的背景并自动检测融合发生的位置。本课题提出的动态分析框架为定量研究动态生理机制提供了坚实的基础,适用于大批量序列图像数据分析,在相关生物研究中有广泛的应用。