一种基于深度学习与蚁群算法的细胞跟踪技术方法

1.本发明涉及细胞跟踪技术领域，具体为一种基于深度学习与蚁群算法的细胞跟踪技术方法。


背景技术：

2.细胞作为人体的基本组成单元，一切生命体的活动都离不开细胞的增殖，分化和迁移，研究者们也希望通过细胞跟踪的方式，准确追溯病变细胞的谱系关系，从而判断病变原因。细胞跟踪技术是现代医学领域的产物，传统的细胞跟踪技术需要操作人员通过肉眼对显微镜进行观测，长时间，高成本的方式在大大浪费劳动力的同时容易导致细胞跟踪结果的不准确以及产生简单枯燥的工作带来的负面影响。为克服人工操作带来的缺点，研究一种全自动的细胞跟踪算法代替传统的人工细胞跟踪操作，具有重大的研究意义。
3.细胞跟踪的目标就是完整的跟踪细胞的全部运动行为，包括细胞的移动，增殖，移入移出事件等，由于细胞的难以观测和难以预测性，实现细胞跟踪面临着种种困难：1.由于细胞图像序列需要长时间的采集，采集过程中的光照不均，设备抖动等情况直接导致难以获取合适的图像序列数据集；2.单个细胞尺寸对比整张显微图像太小，图像的信噪比太低，且不同细胞的形态差别不明显，导致图像序列中的细胞目标难以检测；3.细胞会出现一些复杂的行为，如细胞分裂，细胞突然加速变向，细胞重叠，细胞移入移出视野等情况，给目标跟踪的可靠性带来极大困难。
4.因此我们提出了一种基于深度学习与蚁群算法的细胞跟踪技术方法来解决上述问题。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于深度学习与蚁群算法的细胞跟踪技术方法，解决了由于细胞的难以观测和难以预测性，实现细胞跟踪面临着种种困难的问题。
7.(二)技术方案
8.本发明为了实现上述目的，提出一种基于深度学习与蚁群算法的细胞跟踪方法，通过深度学习的方式对多细胞进行准确检测，蚁群算法与卡尔曼滤波的双重判断避免了由于细胞不规则运动导致的目标丢失，并对存在复杂行为的细胞做出准确的判断。可以有效弥补人工细胞跟踪的不足，有效降低操作人员的工作量，使得细胞跟踪方法更具科学性和客观性，从而提高跟踪准确性。
9.实现本发明的技术思路是将深度学习、图像分割、卡尔曼滤波与蚁群算法结合起来，搭建一套完整的细胞跟踪轨迹框架，最终实现准确对细胞图像序列中的各个细胞进行追踪。其具体实现步骤包括如下：
10.s1、对显微镜下的细胞图像序列运用labellmg进行标注，标注名称为相应的细胞类别名，存储格式选用yolo格式；
11.s2、将标注好的细胞图像序列传送给yolov7网络进行训练，得到最优的目标检测权重，同时对yolov7网络进行修改，使得其更适用于医学图像领域并输出检测框的中心点坐标；
12.s3、使用labelme对yolov7得到的目标检测框进行标注，将标注好的细胞分割数据集传送给u-net网络进行训练，从而得到各目标检测框中细胞的准确分割图像，并记录细胞面积、细胞偏心率轮廓信息；
13.s4、建立蚁群算法的成本函数，基于细胞轮廓信息、细胞移动距离和全局移动路径信息，建立多蚁群细胞跟踪方法(mact)，从而通过蚁群算法得到既定观测下的细胞移动轨迹；
14.s5、基于mact算法将蚁群跟踪算法未能成功跟踪的细胞标记为异常细胞，进入异常处理模块；
15.s6、在mact算法中引入卡尔曼滤波，通过对历史信息的推断预测细胞移动方向并加预测概率等效成蚁群算法的信息素融入到后续的细胞跟踪中，综合考虑了细胞历史数据中的速度，加速度，以及位移信息，得到合理的预测值，将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，得到最终的细胞跟踪轨迹；
16.s7、通过mact中蚁群算法的轨迹重塑功能，对现有跟踪轨迹进行进一步优化处理；
17.s8、循环步骤s4到步骤s7从初始帧判断到最后一帧图像，至此完成对所有细胞的跟踪。
18.进一步地，所述步骤s4中建立蚁群算法的成本函数，根据细胞轮廓信息、细胞移动距离和全局移动路径信息，包括：
19.建立蚁群算法的成本函数cost如下：
20.cost(i，j)＝αd(i，j)+βe(i，j)+γa(i，j)
21.其中，i表示当前帧检测得到的待跟踪细胞，j表示下一帧中的待跟踪细胞，α，β，γ分别表示距离，偏心率，面积三个特征的权重，权重加和为1；
[0022][0023][0024]
其中，n表示下一帧中所有所有待跟踪细胞数目，d
i，j
表示待跟踪细胞i和待跟踪细胞j之间的距离，eccenti表示待跟踪细胞i的偏心率，areai表示待跟踪细胞i的面积；
[0025]
选用损失函数的倒数作为跟踪的判断依据，用于增加损失函数的筛选作用。
[0026]
进一步地，所述步骤s5中将蚁群算法未能成功跟踪的细胞标记为异常细胞，包括：
[0027]
当前帧中的蚁群所属细胞在下一帧未能成功跟踪，记录该蚁群所属细胞的位置信息，标记为移出或凋亡异常细胞；
[0028]
下一帧中的蚁群所属细胞在当前帧未被成功跟踪，记录该蚁群所属细胞的位置信息，标记为移入或分裂异常细胞。
[0029]
进一步地，所述步骤s6中将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，包括：
[0030]
使用卡尔曼滤波算法，基于过去时刻的位置、速度、加速度信息，得到当前帧的位置预测值；
[0031]
将mact算法得到的观测值设定为观测值；
[0032]
利用mact算法的检测结果直接得到当前步骤的观测值，通过卡尔曼滤波将历史数据进行整合并合理预测当前步骤的预测值，在充分考虑观测值和预测值的可靠性后，最终跟踪结果由基于卡尔曼滤波增益系数的预测值与观测值的加权和得到。
[0033]
进一步地，所述步骤s7中通过mact中蚁群算法的轨迹重塑功能，包括：
[0034]
剔除跟踪轨迹中蚁群数量过小的轨迹；
[0035]
设计细胞移入移出模块，对曾经移出的移入细胞进行判定，并赋予该移入细胞曾经的编号和标签。
[0036]
(三)有益效果
[0037]
与现有技术相比，本发明提供了一种基于深度学习与蚁群算法的细胞跟踪技术方法，具备以下有益效果：
[0038]
1、本发明采用质心信息与轮廓信息综合考虑的蚁群算法成本公式，在帧间匹配时不仅考虑质心坐标位置，也考虑了细胞形态信息，在细胞发生复杂行为时实现更准确的跟踪效果。
[0039]
2、本发明采用基于yolov7的目标检测方法，马赛克增强的数据增强方式使得跟踪系统对于同类的大小目标都有很好的检测效果，不会因为显微镜倍数的调整而降低性能。
[0040]
3、本发明采用yolov7与u-net相结合的方法，最终得出的细胞跟踪轨迹不仅含有轨迹路径，还显示具体细胞分割形状，增强了系统的可视性。
[0041]
4、本发明采用质心信息与轮廓信息综合考虑的蚁群算法成本公式，在帧间匹配时不仅考虑质心坐标位置，也考虑了细胞形态信息，在细胞发生复杂行为时实现更准确的跟踪效果。
[0042]
5、本发明将细胞移出事件的移出细胞形态和位置记录，在后续帧附近位置出现相似细胞时，认为是移出细胞的重新移入，赋予细胞原本的编号，增强了细胞跟踪轨迹的严谨性和完整性。
[0043]
6、本发明搭建了mact算法，将可以处理非常复杂的组合最优化问题的蚁群算法与多细胞跟踪相结合，为每个细胞搭建其各自的蚁群，通过蚁群间独立和协作的工作方式实现对显微镜下多细胞的跟踪。
附图说明
[0044]
图1为本发明的流程示意图；
[0045]
图2为本发明使用的细胞显微视频图像数据集；
[0046]
图3为本发明仿真实现的yolov7检测框示意图；
[0047]
图4为本发明得到的检测框(u-net网络输入)示意图；
[0048]
图5为本发明的u-net分割效果图像；
[0049]
图6为mact算法最终实现的显微镜下细胞图像序列的跟踪结果；
[0050]
图7为mact算法做出细胞图像序列对应的细胞谱系树。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
实施例
[0053]
如图1-7所示，本发明一个实施例提出的一种基于深度学习与蚁群算法的细胞跟踪技术方法，包括以下步骤：
[0054]
s1、对相差显微镜下的细胞图像序列运用labellmg进行标注，标注名称为相应的细胞类别名，存储格式选用yolo格式。
[0055]
s2、将标注好的细胞图像序列传送给yolov7网络进行训练，得到最优的目标检测权重，同时对yolov7网络进行修改，使得其更适用于医学图像领域并输出检测框的中心点坐标。
[0056]
s21、将标注好的细胞序列图像数据集传入yolov7网络进行训练，使用马赛克数据增强的方式，克服因显微镜放大倍数不同导致的目标丢失，选用带有预训练权重的训练方式，通过修改参数得到较优的目标检测结果并记录权重；
[0057]
s22、打开anaconda prompt控制终端，在控制终端中进入yolov7代码所在路径，执行代码如下：python detect.py
–
weights.\runs\train\yolov7\weights\best.pt
–
source.\datasets\findcontact\testimages\
‑‑
save-txt；
[0058]
s23、运行(2b)即可得到在yolov7权重训练下，检测得到的各个检测框的yolo格式坐标；
[0059]
s24、在yolov7中加入caijian.py代码，运行caijian代码即可在给定路径中输出对应的裁剪细胞图像，并生成检测框的中心点坐标。
[0060]
s3、将yolov7得到的目标检测框分别提取出来，使用labelme进行标注，并将标注好的细胞分割数据集传送给u-net网络进行训练，从而得到各目标检测框中细胞的准确分割图像，并记录细胞面积、细胞偏心率轮廓信息；
[0061]
s31、将需要处理的目标检测框图片保存在同一个文件夹中，使用labelme软件对细胞图像进行分割标注；
[0062]
s32、使用数据转换脚本将标注工具产生的数据格式转换为u-net模型训练所需的数据格式；代码如下：python labelme2seg.py《path/to/label_json_file》；
[0063]
s33、将标注好的细胞分割图像数据集传入u-net网络进行训练，由于处理的图像已经是原始图像的目标检测部分，由于信噪比提高了很多，u-net网络的分割效果很好；
[0064]
s34、调节u-net网络的相关参数获取最优分割效果，并将最优参数记录以供后续实际跟踪使用。
[0065]
s4、建立蚁群算法的成本函数，考虑细胞轮廓信息、细胞移动距离和全局移动路径信息，建立多蚁群细胞跟踪方法(mact)，从而通过蚁群算法得到既定观测下的细胞移动轨迹；
[0066]
建立蚁群算法的成本函数cost如下：
[0067]
cost(i，j)＝αd(i，j)+βe(i，j)+γa(i，j)
[0068]
其中，i表示当前帧检测得到的待跟踪细胞，j表示下一帧中的待跟踪细胞，α、β和γ分别表示距离、偏心率与面积三个特征的权重，权重加和为1；取值分别为0.7、0.15和0.15；
[0069][0069][0070]
其中n表示下一帧中所有所有待跟踪细胞数目，d
i，j
表示待跟踪细胞i和待跟踪细胞j之间的距离，eccenti表示待跟踪细胞i的偏心率，areai表示待跟踪细胞i的面积；
[0071]
其中d表示欧式距离(xm，ym)和(xn，yn)分别代表待跟踪细胞m和n的坐标；eccenti表示第i个待跟踪细胞的偏心率，eccenti＝(4∏area)/perimeter2，其中area表示细胞面积，可以通过各个细胞所占据的像素点进行定量描述评估，perimeter表示细胞的周长，可以通过组成细胞边界上离散的点进行定量评估。
[0072]
由于该损失函数的定义导致损失函数整体偏小，为了增加损失函数的筛选作用，选用损失函数的倒数作为跟踪的判断依据，损失函数的倒数称为可信函数，可信函数值越大则跟踪的可信度越大。
[0073]
其中细胞移动距离选用改进后的蚁群算法来体现，将距离转换为蚂蚁的可见度，蚂蚁仅对其可见范围内的目标有移动趋向，并且对距离越近的目标有更高的移动概率。
[0074]
其中全局移动路径通过调整挥发系数避免蚁群陷入局部最优而忽略了全局的最优路径选择，当前最优路径明显缩短时，挥发系数等比例减小，维持信息素的有利结果，更好聚焦寻优；相反，最优路径没有显著变化时，增加挥发系数，削减信息素的作用，使得蚁群有更多选择的机会，拓展蚁群的搜索空间。
[0075]
建立多蚁群细胞跟踪方法(mact)，具体步骤如下：
[0076]
步骤一、在第一帧图像中，基于yolov7的检测结果，对各个检测框中质心处附近，以高斯密度分布若干蚂蚁，各个蚁群的信息素相互独立且有各自独立的编号。
[0077]
步骤二、提供公式：
[0078][0079]
其中，τ n为常量，设置为0.01，为距离的倒数，
[0080]
为路径ij之间初始时刻为f时刻对应的信息素。
[0081]
根据以上公式，赋予当前帧和下一帧各个待跟踪质心初始信息素，细胞之间的距离越短，初始信息素浓度越大，蚂蚁就越趋近于移动到距离较近的细胞上。
[0082]
步骤三、采用贪婪算法来提高蚁群的初始搜索效率，贪婪算法指的是蚁群只关注眼前的最优路径而不考虑全局的最优路径，具体实施方法为：
[0083]
为当前帧中所有蚁群设定共用的跟踪目标，每个蚂蚁间相互独立，各个蚁群的信息素相互独立，蚁群只可能移动到其可见范围内的目标，在达到迭代上限时，各个蚁群会找到其所趋向的细胞，选取指向该细胞最多的蚂蚁编号所在种群为跟踪结果。
[0084]
步骤四、在贪婪模式的蚁群算法操作基础下，对于未能成功跟踪的细胞，采用蚁群成本函数进行轨迹关联，仍未成功关联的细胞标记为异常细胞。
[0085]
步骤五、蚁群的移动基于信息素和轮盘赌法决定，具体公式如下：
[0086][0087]
其中α为信息素因子，β为启发式因子，在初始化的过程中，二者均被赋予初始值，具体跟踪过程中，二者分别代表信息素的权重和距离的权重，不断转换成选择的概率，随后，蚂蚁会根据公式不断选择下一节点。
[0088]
参数设定如下：迭代次数上限为50次，信息素挥发系数为0.15，信息素因子为6，蚂蚁数量为50，q常数设定为10，禁忌表由下帧细胞的所有质心位置组成。
[0089]
对方案经过的路径实行两点间的信息素局部更新
[0090][0091]
为节点i和j路径问的局部信息素更新值，ρ为挥发系数，1-ρ(t)为残留系数，δτ
m(t+1)
(i，j)表示节点i和j之间的路径信息素增量，值为路径距离的倒数。
[0092]
计算所有方案路径距离值，选出并记录最优方案，对最优方案路径信息素采取全局更新。
[0093][0094]
利用上述公式得到本次全局更新的挥发系数ρ。
[0095][0096]
再利用上述公式对本次方案最优路径进行全局更新。
[0097]
s5、基于mact算法将蚁群跟踪算法未能成功跟踪的细胞标记为异常细胞，进入异常处理模块；
[0098]
s51、当前帧中的蚁群所属细胞在下一帧未能成功跟踪，记录该蚁群所属细胞的位置信息，标记为移出或凋亡异常细胞；
[0099]
s52、下一帧中的蚁群所属细胞在当前帧未被成功跟踪，记录该蚁群所属细胞的位置信息，标记为移入或分裂异常细胞；
[0100]
s53、对于移出或凋亡异常细胞，根据异常细胞所处的位置信息来判断，如果位置为显微镜图像边界，则认定为细胞移出事件，并记录该移出细胞的编号，形状，面积，偏心率，移出图像的最后中心点位置等信息；如果位置不为显微镜图像边界，则认定为细胞凋亡事件，直接结束对该细胞的跟踪并删除该细胞所属蚁群；
[0101]
s54、对于移入或分裂异常细胞，根据异常细胞所处的位置信息来判断，如果位置为显微镜图像边界，则认定为细胞移入事件，如果位置不为显微镜图像边界，则认定为细胞分裂事件，通过与mact算法进行比对得出子细胞，重新赋予子细胞和母细胞编号以及对应
的蚁群，并将子细胞给予初始数量的蚂蚁；
[0102]
s6、使用卡尔曼滤波对质心坐标的文本信息进行分析和预测，综合考虑了细胞历史数据中的速度，加速度，以及位移信息，得到合理的预测值，将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，得到最终的细胞跟踪轨迹；
[0103]
对于第一二帧细胞图像序列，由于没有过去值，无法使用卡尔曼滤波进行预测，因此直接采用mact算法得到的检测结果作为细胞跟踪的输出；
[0104]
对于第k帧及以后的细胞图像序列(k＞＝3)，将k-1帧和k-2帧的细胞坐标差值近似视为第k-1帧与第k帧变化速率，卡尔曼滤波相关公式如下：
[0105][0106][0107][0108][0109][0110][0111][0112][0113]
p
xk
＝(i-k
xk
h)p
xk-1
[0114]
p
yk
＝(i-k
yk
h)p
yk-1
[0115]
其中，为第k帧细胞图像序列中的跟踪框x轴坐标状态变量，为第k-1帧细胞图像序列中的跟踪框x轴坐标，a为状态转移的矩阵，ω
k-1
为噪声变量，为第k帧细胞图像序列中的跟踪框x轴状态预测协方差矩阵，p
xk-1
为第k-1帧细胞图像序列中的跟踪框预测时的x轴协方差矩阵，h为观测矩阵。
[0116]
利用mact算法的检测结果直接得到当前步骤的观测值，通过卡尔曼滤波将历史数据进行整合并合理预测当前步骤的预测值，在充分考虑观测值和预测值的可靠性后，最终跟踪结果由基于卡尔曼滤波增益系数的预测值与观测值的加权和得到。
[0117]
s7、通过mact中蚁群算法的轨迹重塑功能，避免产生多余的跟踪轨迹片段并达到全局最优解；
[0118]
s71、剔除跟踪轨迹中蚁群数量过小的轨迹；
[0119]
s72、对于细胞移入事件中的细胞，判断与之前移出细胞之间的相似度，相似度大于移入移出阈值，则将该移入细胞认定为之前移出细胞的重新移入，赋予该移入细胞曾经的编号和标签，增强了跟踪系统的严谨性。
[0120]
s73、使用mact中蚁群算法的轨迹重塑功能。
[0121]
s8、循环步骤s4到步骤s7，从初始帧判断到到最后一帧图像，至此完成对所有细胞的跟踪。
[0122]
综上所述，本发明技术可以有效解放生产力，在面对复杂的显微镜图像序列下的细胞时，通过yolov7的精确检测，蚁群算法与卡尔曼滤波的协同工作，实现对复杂细胞行为的合理识别，实现对复杂情况下的多细胞跟踪。
[0123]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：包括以下步骤：s1、对显微镜下的细胞图像序列运用labellmg进行标注，标注名称为相应的细胞类别名，存储格式选用yolo格式；s2、将标注好的细胞图像序列传送给yolov7网络进行训练，得到最优的目标检测权重，同时对yolov7网络进行修改，使得其更适用于医学图像领域并输出检测框的中心点坐标；s3、使用labelme对yolov7得到的目标检测框进行标注，将标注好的细胞分割数据集传送给u-net网络进行训练，从而得到各目标检测框中细胞的准确分割图像，并记录细胞面积、细胞偏心率轮廓信息；s4、建立蚁群算法的成本函数，基于细胞轮廓信息、细胞移动距离和全局移动路径信息，建立多蚁群细胞跟踪方法(mact)，从而通过蚁群算法得到既定观测下的细胞移动轨迹；s5、基于mact算法将蚁群跟踪算法未能成功跟踪的细胞标记为异常细胞，进入异常处理模块；s6、在mact算法中引入卡尔曼滤波，通过对历史信息的推断预测细胞移动方向并加预测概率等效成蚁群算法的信息素融入到后续的细胞跟踪中，综合考虑了细胞历史数据中的速度，加速度，以及位移信息，得到合理的预测值，将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，得到最终的细胞跟踪轨迹；s7、通过mact中蚁群算法的轨迹重塑功能，对现有跟踪轨迹进行进一步优化处理；s8、循环步骤s4到步骤s7从初始帧判断到最后一帧图像，至此完成对所有细胞的跟踪。2.根据权利要求1所述的一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：所述步骤s4中建立蚁群算法的成本函数，根据细胞轮廓信息、细胞移动距离和全局移动路径信息，包括：建立蚁群算法的成本函数cost如下：cost(i，j)＝αd(i，j)+βe(i，j)+γa(i，j)其中，i表示当前帧检测得到的待跟踪细胞，j表示下一帧中的待跟踪细胞，α、β和γ分别表示距离、偏心率与面积三个特征的权重，权重加和为1；权重加和为1；其中，n表示下一帧中所有所有待跟踪细胞数目，d
i，j
表示待跟踪细胞i和待跟踪细胞j之间的距离，eccent
i
表示待跟踪细胞i的偏心率，area
i
表示待跟踪细胞i的面积；选用损失函数的倒数作为跟踪的判断依据，用于增加损失函数的筛选作用。3.根据权利要求1所述的一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：所述步骤s5中将蚁群算法未能成功跟踪的细胞标记为异常细胞，包括：当前帧中的蚁群所属细胞在下一帧未能成功跟踪，记录该蚁群所属细胞的位置信息，标记为移出或凋亡异常细胞；下一帧中的蚁群所属细胞在当前帧未被成功跟踪，记录该蚁群所属细胞的位置信息，标记为移入或分裂异常细胞。
4.根据权利要求1所述的一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：所述步骤s6中将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，包括：使用卡尔曼滤波算法，基于过去时刻的位置、速度、加速度信息，得到当前帧的位置预测值；将mact算法得到的观测值设定为观测值；利用mact算法的检测结果直接得到当前步骤的观测值，通过卡尔曼滤波将历史数据进行整合并合理预测当前步骤的预测值，在充分考虑观测值和预测值的可靠性后，最终跟踪结果由基于卡尔曼滤波增益系数的预测值与观测值的加权和得到。5.根据权利要求1所述的一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：所述步骤s7中通过mact中蚁群算法的轨迹重塑功能，包括：剔除跟踪轨迹中蚁群数量过小的轨迹；设计细胞移入移出模块，对曾经移出的移入细胞进行判定，并赋予该移入细胞曾经的编号和标签。

技术总结
本发明属于细胞跟踪技术领域，尤其为提出一种基于深度学习与蚁群算法的细胞跟踪方法，通过深度学习的方式对多细胞进行准确检测，蚁群算法与卡尔曼滤波的双重判断避免了由于细胞不规则运动导致的目标丢失，并对存在复杂行为的细胞做出准确的判断。本发明采用质心信息与轮廓信息综合考虑的蚁群算法成本公式，在帧间匹配时不仅考虑质心坐标位置，也考虑了细胞形态信息，在细胞发生复杂行为时实现更准确的跟踪效果；基于yolov7的目标检测方法，马赛克增强的数据增强方式使得跟踪系统对于同类的大小目标都有很好的检测效果，不会因为显微镜倍数的调整而降低性能；采用yolov7与U-Net相结合的方法，增强了系统的可视性。增强了系统的可视性。增强了系统的可视性。


技术研发人员：许红梅 马达 郑越 何泽 孙浩 杨金鑫 黄浩然
受保护的技术使用者：长春理工大学
技术研发日：2023.06.09
技术公布日：2023/9/20