基于稀疏表示分类的高内涵筛选显微图像神经突骨架提取研究

Neurite skeletons extraction in microscopy images for high content screening is prerequisite in drug screening for neurodegenerative disease for its ability of describing the neuron morphology precisely and replecting the repair and the damage of neuron. Current methods based on vector tracing and feature based recognition are strongly limited by the large variance of overlapped neurons. Recent sparse representation classifier（SRC）in which feature selection is not crucial any more, has outstanding ability in addressing the above concernings. The proposal introduces SRC in neurite skeletons, and then improve that according to the requirement of high content screening, in order to achieve neurite skeletons effectly, efficiently and robustly,which contributes to decribe the neuron responses to different drugs in high content screening. The proposal : label of training samples and double sparsity are introduced to the SRC model to address the small sample recognition problem since manual intervene cost highly, and to address the concerning about large storage requirement and high compuatational cost during sparse decomposition; non-parametric Bayesian model is then used to introduce all the priors to the sparse representation classifier model, as well to adaptively estimate parameters in the sparse representation, in order to further enhance the robustness and accuracy.

高内涵筛选显微图像中神经细胞突起（神经突）骨架因能准确描述神经细胞形态特征，反应神经细胞受损及恢复情况，是神经退行性疾病药物开发的关键。现有基于跟踪和特征识别的神经突骨架提取算法性能因神经突各项特征差异较大而受到严重限制。新近提出的稀疏表示分类模型(SRC)具有不受特征提取限制进行识别的能力，因而在上述问题中具有明显优势。项目率先将SRC模型引入神经突骨架提取领域，并结合高内涵筛选的应用特点对其进行改进，以准确、高效和鲁棒地获取神经突骨架信息，从而更精确地描述神经细胞在高内涵筛选中不同药物作用下的反应。具体内容为：在SRC字典训练中引入训练样本类别信息和双稀疏先验，以解决高内涵筛选中因人工干预代价高昂而导致识别中训练样本不足问题，同时解决稀疏分解中计算、存储代价过大的问题；在非参数贝叶斯框架下将各类先验信息同时与SRC模型有机结合，并自适应获取模型中各项参数，以达到更高的准确性和鲁棒性。

本项目以神经细胞神经突检测问题出发点，基于机器学习理论，对一系列显微图像处理中分割、识别和检测问题进行研究。本项目开展的显微细胞图像处理和分析研究是高通量筛选系统的重要组成。本项目从机器学习角度看待显微图像分析处理中的一系列问题，将显微图像中的这些待解决问题都转变为模式识别问题。例如，对于分割问题，所提方案对于每个像素或者区域分别判断其是否属于目标，最终达到图像分割的目的。本项目的具体工作如下：1）对神经细胞神经突为代表的曲状物体提取提出了几种分析处理方案，包括a) 基于曲线跟踪法和机器学习相结合的提取方案，即对曲状物体先进行跟踪，再利用传统机器学习中的特征提取和分类器设计（半监督学习）对神经突等目标进行检测和分类；b）基于机器学习最新理论的曲状物体检测方案，例如基于稀疏表示理论和深度学习理论的方案，前者无需特征提取环节，而后者能依据大量数据自适应提取特征，因此这两个理论的引入都能较好地解决显微图像处理和分析任务中需要人工大量介入的问题。2）细胞核提取和分割同样是高通量筛选中的重要环节，其与神经突图像的分析能够较好地描述神经细胞的各种形态特征，因此本项目提出基于模板匹配和极坐标检测的无监督细胞核分割算法，具有准确高效性能，较好地适应了实际应用需求；3）其他显微图像处理分析研究，例如基于细胞核群形态特征层级分布和多示例学习的显微图像识别研究，基于深度学习和迁移学习的不同染色显微图像识别研究4）其他医学图像处理分析研究，例如考虑到血管结构和神经细胞神经突结构极为相似，均为曲状物体，课题将针对曲状物体检测算法应用于眼底图像视网膜血管提取研究，并引入图像重构策略，提升了在小样本条件下的有监督学习检测性能；5）稀疏表示、深度学习等机器学习理论在其他场景中的应用，例如基于非参数贝叶斯稀疏表示模型的医学图像处理，将有效解决传统基于优化的稀疏表示中许多核心参数无法自适应估计的问题，取得了较好的效果。