细胞分析是生物医学图像分析的重要课题之一,细胞图像序列的分析与研究对于生物医学研究具有重要作用。本文研究的对象为植物顶端分生组织细胞,与动物细胞不同的是,植物细胞呈蜂窝状排布,细胞群高度密集,使得其追踪方法与动物细胞追踪方法也有所不同。本文针对共聚焦显微镜下,未配准植物细胞图像序列的分割以及细胞追踪做了如下工作:(1)针对细胞图像在采集过程中带入大量噪声的问题,本文采用一种基于全卷积神经网络(FCN)的分割模型c-Unet对植物细胞图像进行分割。该模型选用dice系数作为损失函数,并采用一系列有效的训练策略来提高分割效果,实验证明c-Unet模型能够对噪声区域进行自动舍弃,并有效分割出细胞边界。(2)本文提出一种多种子细胞对动态局部图匹配算法对未配准图像下的植物细胞进行追踪。首先通过图论描述细胞之间的拓扑结构,针对细胞图像在未配准情况下发生的平移、放缩、旋转现象,在局部图中提取细胞形状不变特征,包括细胞的面积比、细胞与邻域细胞之间夹角以及距离比,并以此构建特征向量,用于找寻初始匹配时的多组种子对细胞,然后从多组种子细胞对同时进行匹配扩散。同时,为了避免细胞追踪过程中容易出现匹配错误积累问题,提出了动态匹配方式,即每次匹配时将已匹配细胞的邻细胞作为候选细胞,且每次都只匹配相似度最高的一对。最后,待每组细胞匹配完成,对多组细胞的匹配结果进行投票,将投票后的结果作为细胞最终匹配结果。(3)由于细胞图像序列采样时间间隔长,细胞采集过程中丢失以及噪声等原因,导致同属于一个细胞的完整轨迹被中断成多条离散的小轨迹,因此使用多种子细胞对动态局部图匹配追踪算法后,将获得短而可靠的细胞小轨迹集合。在此基础上,我们通过基于马尔科夫链蒙特卡洛数据关联(MCMCDA)算法对细胞小轨迹进行关联,从而得到完整的细胞轨迹。最后,本文通过对多组质量不同的图像数据集进行实验,实验结果证明了本文提出的算法能够有效的实现植物细胞的完整追踪。