基于判别式随机场的细胞分裂联合识别和定位方法研究

自动的细胞分裂识别和定位已成为大规模细胞生理周期定量分析亟待解决的问题。为了准确的识别和定位细胞分裂，拟提出基于判别式随机场的细胞分裂联合识别和定位方法。该方法包括细胞分裂候选序列提取、特征表示和细胞分裂建模三部分，本课题将侧重解决基于判别式随机场的细胞分裂建模问题，其主要内容包括三方面：首先，模型构建：拟分别基于隐条件随机场和半马尔可夫条件随机场对序列分类和标注两子问题进行建模，并通过自顶而下和自底向上两种模式实现二者的关联；其次，模型学习：拟基于大间隔原理统一两子问题的目标函数和约束集形式，并改进割平面方法提高目标函数求解的稳定性，在此基础上，通过迭代实现参数联合优化；最后，模型推断：拟融合两子模型信息改进Viterbi算法从而实现联合最优推断。本课题研究有利于自动的细胞分裂联合识别和定位系统构建，相关研究成果对新生命科学规律的探索以及药物研发、临床治疗等领域的发展具有重要意义。

细胞分裂自动检测对于新生命科学规律的探索以及组织工程、药物研发等领域的发展具有重要意义。本课题面向信息与生命交叉学科问题，以构建联合序列分类和标注的判别式随机场模型为目标，主要成果包括三方面：1. 模型构建：分别基于隐条件随机场和半马尔可夫条件随机场挖掘序列全局和局部结构化特性，从而对序列分类和标注两子问题分别进行建模，通过挖掘两子问题的约束关系改进两模型核心——特征函数，实现二者自顶而下和自底向上两种模式的信息交互，有效避免对两个问题的孤立分析；2. 模型学习：基于大间隔原理统一两个子优化问题的目标函数及约束集形式。对于目标函数求解的凸二次规划问题，改进割平面方法的两个核心问题：一方面，提出了统一形式的损失函数，从而使得损失函数既能利用两类模型的关联辅助优化，又可以为两个子问题计算合理的损失；另一方面，提出了改进的割平面选择目标函数，从而避免非理想样本的存在可能导致原始目标函数收敛的困难。此外，提出了序列分类和标注联合误差的度量，使得在两模型参数独立学习的基础上，可以采用迭代思想实现联合优化。3.模型推断：为了融合序列分类和段级标注两方面信息，采用改进的两模型特征函数构造Viterbi算法的核心——递归函数和目标函数，从而实现二者联合最优推断。本课题研究成果显著提高了细胞分裂识别的查全率和查准率，降低了细胞分裂定位的误差。通过大规模比较试验证明所提出方法优于当前领域的代表性方法。在此基础上，我们构建了基于联合模型的细胞分裂识别和定位系统，为探索细胞生理周期与外界环境因素的潜在关系提供技术基础。.本课题共发表论文23篇，包括权威期刊IEEE Trans. Med. Imaging长文1篇，著名会议IEEE International Symposium on Biomedical Imaging口头报告论文1篇，SCI检索16篇（二区论文1篇，三区论文4篇，最高影响因子3.799），EI检索17篇；受邀撰写英文专著章节1部；参加国际会议口头报告4次；授权发明专利9项，技术转让1项；晋升副教授2名，培养在读博士生2名、在读硕士生7名、毕业硕士生5名；成功申请天津市自然基金2项，天津大学自主创新基金2项，并获得天津大学“北洋学者•青年骨干教师”人才项目资助。项目执行期间，课题组保持和卡耐基•梅隆大学细胞图像分析组合作，以期形成交叉学科领域研究的特色方向。