Active contour models for cytoskeletal structures tracking
Рік:
2016
Сторінок:
Р. 74-77
Тип документу:
Стаття
Головний документ:
Київський Вісник Київського національного університету імені Тараса Шевченка / Київський, університет імені національний; редкол.: голов. ред. Анісімов А.В. ; Хусаінов Д.Я., Arturs Medvids, Miklos Ronto [та ін.]. - Київ, 2016
Анотація:
Стаття присвячена дослідженню моделей активних контурів в поєднанні з методом оптичного потоку, і їх застосування в галузі клітинної біології для відстеження окремих компонентів цитоскелета в послідовностях конфокальних зображень. В статті модель активного контуру визначається як двовимірна параметрична крива, що є розв"язком (мінімумом) в задачі мінімізації заданого "енергетичного" функціоналу. Також продемонстровано як інформація з послідовності зображень може бути включена в задачу мінімізації черезградієнт зображення, який згодом замінюється на більш стійке векторне поле (градієнтний потік). Зайві деталі зображення відфільтровуються за допомогою запропонованих алгоритмів попередньої обробки в наступній послідовності: згладжування за допомогою анізотропної дифузії, підсилення ребер за допомогою гессіану, адаптивне покращення контрастності зображення з масштабуванням, застосування перетворення з подвійним пороговим значенням, бінаризація. Наводиться повний опис алгоритму трекінгу на основі активних контурів та оптичного потоку, окреслюються сфери його застосування. Результат роботи алгоритму демонструється на прикладі трекінгу окремих мікротрубочок в межах їхньої мережі.
In this paper we investigate active contour models coupled with optical &flow method and their application in the field of cell biology for the tracking of individual cytoskeletal components on the time-sequences of confocal images. Firstly, we define active contour model as a parametric curve, which minimizes given "ener&gy" functional. We show how information about the image sequence can be incorporated into the minimization problem by introducing image-based gradient of "external energy", which we replace further by more robust vector field called gradient vector f&low. Next, we introduce image pre-processing pipeline, which allows to filter out redundant image features. It consists of the following processing steps: anisotropic diffusion filtering, Hessian ridge enhancement, adaptive contrast enhancement with &image scaling, two-level thresholding, binarization. Then, we describe overall tracking procedure. Finally, we outline the applications of algorithm and illustrate an example of the algorithm output for individual microtubules tracking within their n&etwork.
З 31.12.2014 по 01.03.2015 Наукова бібліотека читачів не обслуговує.
