基于蚂蚁智能搜索行为的多细胞自动跟踪及其应用研究

This project aims to apply ant swarm intelligence techniques in information science into the field of multi-cell tracking in life science. Through fully and systematically investigating cell constraint conditions, multi-cell observation　equation is modeled appropriately. According to the designed feature of ant intelligent searching behavior (based on such heuristic information as color difference,different tasks assigned, likelihood intensity, etc.）, both jointly and independently detecting/tracking ant multi-cell techniques are studied respectively. Furthermore,we develop several ant multi-cell trackers with cell identification and/or with stochastic and deterministic decisions to achieve the dynamic parameters of multiple cells. To evaluate the effectiveness of multi-cell tracking, a scientific and global performance evaluation index is required to design, and eventually automatic multi-cell tracking with many uncertainties (such as noise, clutter and cell overlap) can be fulfilled. It is believed that our results will contribute to the development of biology, pharmacology and pathology, and provide some crucial application values as well.

本项目拟把信息科学中的蚂蚁群智能技术应用到生命科学中的多细胞跟踪领域，通过系统、全面地研究细胞的约束条件，建立较为准确的细胞观测模型；从蚂蚁智能搜索行为出发(基于颜色差异、任务不同、似然强度等启发信息)，分别研究基于联合检测与跟踪的、基于检测与跟踪分立的蚂蚁多细胞跟踪技术，并通过研究具有细胞识别属性的蚂蚁多细胞跟踪器和确定性与随机性相混杂的蚂蚁多细胞跟踪器来自动获取多个细胞动力学特性；为了有效评价多细胞跟踪性能，着重研究科学的、全局的多细胞跟踪性能评价指标，从而最终实现在噪声、杂波、细胞覆盖等诸多不确定因素条件下的多细胞自动跟踪。该项研究成果能为生物学、药理学和病理学的研究提供重要的应用参考价值。

本项目针对由噪声、杂波、背景移动所产生的多细胞图像序列，分别研究了细胞似然度模型表达、基于联合检测与跟踪、检测与跟踪分立的多细胞自动跟踪方法、以及多细胞跟踪算法性能评价指标设计等。针对细胞似然度模型表达，一是利用细胞直方图统计信息，设计了双参数指数形式的似然度函数，实现了对细胞似然度的精确度量；二是设计了基于最优次模式分配（OSPA）与粒子群优化（PSO）相结合的轮廓相似度函数。针对低对比度细胞图像序列下多细胞动力学特性差异大、细胞变形、细胞数目时变、近邻等情形，从蚁群任务分类、蚁群工作模式差异等建模手段出发，研究了若干种基于联合检测与跟踪多细胞自动跟踪方法；针对多细胞跟踪中存在的目标分裂、碰撞等引起的状态耦合问题，从细胞运动事件定义出发，对蚁群的决策行为进行建模，研究了若干种基于检测与跟踪分立的多细胞自动跟踪方法，此外，还进一步研究了将蚁群优化搜索能力与主动轮廓法、水平集方法相结合的混杂多细胞跟踪方法；为进一步评价跟踪算法性能，提出并引入了最优次模式分配（OSPA）、标签切换率(LSR)、航迹丢失率(LTR)、细胞跟踪位置精度（PTP）等评价指标。最后，开发了一套多细胞跟踪集成软件系统V1.0。该项研究成果能为生物学、药理学和病理学的研究提供重要的应用参考价值。