生物学与医学高级技术
开放获取

抽象的

利用分割、特征提取和模式识别进行干细胞生长速率分析

R Nathiya 和 G Sivaradje

干细胞具有在生长早期将自身培养成体内任何类型细胞的非凡能力。在一些器官中，例如肠道和骨髓，干细胞定期分裂以修复和替换磨损或受损的组织。现有的干细胞分析图像分割方法利用形态学技术应用于荧光细胞，以获得清晰的分割图像。为此，小波 Otsu Curvelet 范式用于对图像或帧进行滤波，Curvelet 用于更好的边缘增强，而 Wavelet 用于多尺度分辨率。使用 Otsu 模型进行分割，减少来自各个像素的类方差的平均权重，以提供最佳阈值。从分割图像特征来看，向量是使用灰度共生矩阵（GLCM）技术获得的，该技术在提取图像中的特征中起着至关重要的作用。然而GLCM通常在单一尺度和单一方向下提取纹理，这不能最大程度地提供纹理实体。因此，对于多尺度和多分辨率，使用 NSCT 分解分割图像并应用 GLCM。特征向量集最终形成模式矩阵，作为人工神经网络进行分类的输入。利用神经网络进行模式识别，利用各种健康级别的图像来训练网络。然后使用经过训练的网络，评估测试图像的健康性质，并将结果以给定时间序列干细胞图像的健康百分比的形式显示。