序列顯微熒光圖像的動態(tài)特性定量分析及融合檢測.pdf

1、熒光探針和顯微鏡技術的發(fā)展革新了細胞動態(tài)機制研究的方式。實時拍攝細胞內經過熒光標記的分子或結構，并對其動態(tài)行為做分析，已經成為細胞生理和病理研究的常規(guī)操作。細胞動態(tài)機制的研究產生了大量的時間序列圖像數(shù)據(jù)，定量地分析其中的動態(tài)行為并進一步解釋其生理機制需要多種序列圖像分析的算法。
　　 本課題提出了序列顯微圖像的動態(tài)特性定量分析框架。該框架分為三個層次：整體運動性能評價，基于粒子追蹤的細節(jié)運動分析，動態(tài)事件檢測。同時分析了框架中各

2、種方法的適用場景及優(yōu)缺點，對如何選擇合適的分析方法進行了深入的討論，提出了指導原則。
　　 整體運動性能評價包括兩種方法，共定位運動分析以及差分運動分析，其中應用高斯差分模板來檢測點狀色斑特征，同時提出了全自動的線狀熒光物體分割算法，首先計算圖像的區(qū)域對比度，然后用最小交叉熵的方法對區(qū)域對比度進行自動分割得到最終結果。該算法不需要參數(shù)，且能自動適應不均勻的背景，與傳統(tǒng)的線狀物體分割算法相比對低對比度的區(qū)域分割效果更好，分割結果更

3、加平滑。整體運動評價方法被應用于骨骼肌中GLUT4囊泡運動評價和Aβ25-35作用下PC12細胞線粒體運動分析。
　　 對細節(jié)運動分析，提出了基于多維匹配的粒子追蹤算法，將交互式多模態(tài)濾波(IMM)，多維匹配，粒子遮擋處理，粒子聚合與分裂檢測等等結合到一個統(tǒng)一的算法中。多維匹配的優(yōu)勢在于能夠通過參考前后多幀圖像更充分地利用時間空間信息。交互式多模態(tài)濾波用來保持和預測粒子的狀態(tài)，其優(yōu)勢在于可以包含多種實際生理條件下粒子的運動模型，

4、同時能夠很好地與多維匹配方法協(xié)作，隨著幀數(shù)增加能給正確的粒子關聯(lián)賦予更高的概率。算法用一個滑動窗口劃過圖像序列，并建立相應的粒子關聯(lián)假設，粒子暫時消失假設，聚合分裂假設。然后構建相應的多維匹配問題，最后得到包括斷軌重連的軌跡，以及其中的粒子聚合與分裂事件。用模擬圖像序列以及真實圖像序列對該算法驗證表明，相對于其他的檢測關聯(lián)算法，該算法魯棒性更高，結果更加精確。粒子追蹤算法被應用于脂肪細胞中GLUT4囊泡運動追蹤和神經突起中自噬溶酶體的運

5、動分析。
　　 動態(tài)事件的檢測中以囊泡融合事件自動檢測為例，提出了應用移動平均差分的方法降低圖像的無關背景，并同時突出融合的核心特征，即融合開始階段囊泡亮度的上升，與基于模板匹配的方法比較表明，該方法在保留融合特征的同時去除背景的效果更好，同時適合更多種融合模式，檢測結果可用性和完備性都好過基于模板匹配的方法。融合檢測算法被應用于分析基礎狀態(tài)和胰島素刺激狀態(tài)下骨骼肌中融合事件的數(shù)目。
　　 綜上所述，本研究取得了以下創(chuàng)新

6、性成果：1)差分運動分析中全自動的線狀熒光物體分割算法，適用于邊界模糊，對比度不均勻的熒光圖像，降低了人為因素。2)多模態(tài)濾波和多維匹配結合的粒子追蹤算法，將粒子關聯(lián)，聚合與分裂，暫時消失的處理集成到統(tǒng)一的追蹤框架中，同時通過將多維匹配問題轉化為整數(shù)規(guī)劃，可以高效地得到該NP難問題的解。3)移動平均差分法去除融合序列的背景并自動檢測融合發(fā)生的位置。本課題提出的動態(tài)分析框架為定量研究動態(tài)生理機制提供了堅實的基礎，適用于大批量序列圖像數(shù)據(jù)分