基于馬爾科夫隨機(jī)場的凝膠電泳圖像分割技術(shù)研究.pdf

1、雙向凝膠電泳技術(shù)作為一種核心蛋白質(zhì)分析工具,伴隨著蛋白質(zhì)組學(xué)的不斷發(fā)展而煥發(fā)著新的活力,對于推動(dòng)蛋白質(zhì)組學(xué)的發(fā)展發(fā)揮了極其重要的作用。它主要以凝膠為載體,根據(jù)蛋白質(zhì)等電點(diǎn)和相對分子量的不同在凝膠介質(zhì)的二維空間上實(shí)現(xiàn)蛋白質(zhì)的點(diǎn)狀分離。雙向凝膠電泳圖像的分析系統(tǒng)由凝膠圖像采集、凝膠圖像處理和凝膠圖像蛋白表達(dá)差異評(píng)估三個(gè)模塊組成。由于數(shù)據(jù)量極其龐大,凝膠圖像分析(包括圖像預(yù)處理,蛋白點(diǎn)檢測與分割和蛋白點(diǎn)匹配等)必須借助計(jì)算機(jī)分析來完成,使得基

2、于計(jì)算機(jī)的凝膠圖像分析成為蛋白質(zhì)組學(xué)的分析的關(guān)鍵一步。
　　其中只有在圖像分割成功的基礎(chǔ)上才有可能實(shí)現(xiàn)對目標(biāo)特征的提取和參數(shù)的測量,使更高層圖像的分析和圖像理解成為可能。有效的分割方法可以減少蛋白點(diǎn)的過分割和欠分割,最大限度的將所需特征區(qū)域提取出來;可以有效區(qū)分交叉蛋白質(zhì)點(diǎn),提高蛋白質(zhì)點(diǎn)確定的可靠性和點(diǎn)匹配結(jié)果的可信度;還可以快速準(zhǔn)確的估計(jì)蛋白質(zhì)點(diǎn)的有用信息(蛋白質(zhì)點(diǎn)的灰度、體積等),進(jìn)一步提高蛋白點(diǎn)的差異分析,實(shí)現(xiàn)凝膠圖像的生物

3、標(biāo)記。馬爾可夫隨機(jī)場(Markov random field,MRF)方法是建立在馬爾科夫隨機(jī)場模型與貝葉斯(Bayes)理論的基礎(chǔ)上,提供了先驗(yàn)知識(shí)與不確定性描述聯(lián)系的紐帶,并根據(jù)觀測圖像的特點(diǎn),利用估計(jì)理論和統(tǒng)計(jì)決策中某些最優(yōu)準(zhǔn)則確定分割問題的目標(biāo)函數(shù),以此來求解滿足這些條件的最大可能分布,從而將分割問題轉(zhuǎn)化為最優(yōu)化問題。本文主要是在傳統(tǒng)分割算法的基礎(chǔ)上,對基于馬爾科夫隨機(jī)場的凝膠電泳圖像分割技術(shù)進(jìn)行研究。
　　傳統(tǒng)分割算法中

4、,基于閾值分割算法的概念相對簡單,計(jì)算效率較高,對于目標(biāo)與背景對比較強(qiáng)的圖像有良好的處理方法,但是它對灰度依賴性較強(qiáng);基于區(qū)域分割算法能夠考慮到圖像的空間關(guān)系,但偏重于區(qū)域的整體屬性,容易導(dǎo)致圖像的邊界分割不理想,并且由于它本身屬于一種迭代算法,對空間和時(shí)間的耗費(fèi)相對較大;基于邊緣檢測分割算法,雖然對于邊緣定位精度、檢測精度和邊界的確定都有很好的分割效果,但對噪聲敏感,且不同的算法邊緣檢測結(jié)果的精度也沒有一個(gè)標(biāo)準(zhǔn)統(tǒng)一的衡量尺度;除此之外

5、分水嶺算法因其計(jì)算速度快對邊緣定位準(zhǔn)確而被引入到凝膠圖像分割上來,但其過分割現(xiàn)象的出現(xiàn)依然作為一個(gè)難點(diǎn)存在。而基于Markov隨機(jī)場的分割方法是一種利用圖像像素空間相關(guān)性進(jìn)行分割的方法,它將圖像的灰度信息進(jìn)行分類,并且能夠準(zhǔn)確的描述每個(gè)像素所屬分類與周圍像素類別之間的相互依賴關(guān)系。
　　本文提出了一種基于改進(jìn)Markov隨機(jī)場的凝膠圖像分割算法,其首先利用非局部均值(NL-means)對圖像進(jìn)行濾波實(shí)現(xiàn)圖像預(yù)處理,然后根據(jù)貝葉斯定