论文部分内容阅读
带自动荧光显微镜的High Content Screening(HCS)系统是一种强大的细胞活动分析工具,但HCS产生大量的图像数据,导致分析处理很困难。本论文基于前馈式神经网络技术提出了一种对HCS系统摄影的大量细胞同时进行特征提取和细胞显型识别的自动算法。该算法包括图像分割、特征提取和识别三部分。图像分割模块利用拉普拉斯-高斯(LoG)滤波器提取边缘,同时自适应阈值处理可降低噪声。特征提取时采用主要成分分析法。识别模块基于反馈式神经网络。利用该算法,我们可以区分细胞图像三个通道中细胞的不同时期,并可自动对bipolar和monoaster细胞计数。为验证该算法的有效性,我们将该方法运用于Monastrol抑制剂的筛选中,并将结果与人工识别结果进行分析比较。结果表明相比较前人提出的multi-phenotypic method algorithm(MMA)算法自动识别的正确率得以提高,对monoaster和bipolar的识别率由97.02%、86.96%提高至97.98%、93.12%。
论文还初步讨论了支持向量机(Support Vector Machine,简称SVM)在HCS图像处理算法中的可能应用。