基于深度随机场的跨域细胞行为检测方法研究

Automatic cell behavior detection is a challenging problem for quantitative analysis of high-throughput cell cycle. To handle this problem, we propose a cross-domain cell behavior detection method based on deep random fields. This method consists of three key steps, candidate sequence extraction which containing the potential cell behavior, low-level feature representation, and cell behavior modeling. We will mainly focus on the cell behavior modeling via deep random fields. This proposal contains three parts: 1) model formulation: leveraging the domian knowledge of cell biology to guide the formulation of graphical model, which inherits the ability of nonlinear feature learning by deep neural network and the ability of sequence structure learning by random fields,for joint learning of sequential features and structures and consequently realizing joint identification and localization of cell behaviors; 2) model learning: designing the objective function and the optimization method for deep random fields learning with cross-domain data to enhance the generalization ability of models; 3) model inference: developing the dynamic programming method by fusing both sequence category and structure to achieve jointly optimal inference. With the proposed methods, we will develop the automated cross-domain cell behavior detection system. Moreover, this research will not only facilitate the development of information science but also benefit the exploration of innovative theories of life science.

细胞行为自动检测是当前高通量细胞生理周期定量分析亟待解决的问题。针对该问题，拟提出基于深度随机场的跨域细胞行为检测方法。该方法包括细胞行为候选序列提取、低层特征表示和细胞行为建模三个部分，本课题将重点研究基于深度随机场的细胞行为建模问题，具体包括：1) 模型构建：拟利用细胞生物学知识引导联合序列分类和标注的图模型设计，同时继承深度神经网络的非线性特征学习能力和随机场的序列结构学习能力，通过序列特征和序列结构的联合学习，实现细胞行为的联合识别和定位；2) 模型学习：拟构建深度随机场跨域学习的目标函数并设计相应参数优化算法，从而联合利用跨域数据增加模型的泛化能力；3) 模型推断：拟设计融合序列类别标记和段级结构标记的动态规划算法，从而实现二者的联合最优推断。本课题研究有利于跨域细胞行为自动检测系统构建，相关研究成果将有利于信息科学自身发展，并对生命科学新规律的探索具有重要意义。

细胞分裂自动检测对于新生命科学规律的探索以及组织工程、药物研发等领域的发展具有重要意义。本课题面向信息与生命交叉学科问题，提出基于深度随机场的跨域细胞行为检测方法，主要成果包括三方面：1) 模型构建：利用细胞生物学知识引导联合序列分类和标注的图模型设计，同时继承深度神经网络的非线性特征学习能力和随机场的序列结构学习能力，通过序列特征和序列结构的联合学习，实现细胞行为的联合识别和定位；2) 模型学习：构建深度随机场跨域学习的目标函数并设计相应参数优化算法，从而联合利用跨域数据增加模型的泛化能力；3) 模型推断：设计融合序列类别标记和段级结构标记的动态规划算法，从而实现二者的联合最优推断。本课题研究成果显著提高了细胞分裂识别的查全率和查准率，降低了细胞分裂定位的误差。通过大规模比较试验证明所提出方法优于当前领域的代表性方法。在此基础上，构建了基于深度随机场的细胞分裂检测系统，为探索细胞生理周期与外界环境因素的潜在关系提供技术基础。.研究成果：1）共发表论文37篇，SCI刊源论文30篇（ESI热点论文2篇，ESI高被引论文4篇，JCR一区论文5篇，二区论文12篇，人工智能领域顶级期刊T-PAMI一篇，医学图像处理领域顶级期刊T-MI一篇），CCF-A类国际会议长文4篇；受邀撰写专著章节1部；申请发明专利36项,授权5项；2）国际交流：负责人6次担任领域著名国际期刊客座编委，2次担任CVPR Workshop共同主席，团队先后9人次参加国际会议，并做国际会议报告6次；课题组保持和卡耐基·梅隆大学、新加坡国立大学等著名团队合作，以期形成交叉学科领域研究的特色方向。3）人才培养：晋升教授1名、副教授1名，培养讲师2名、在读博士生4名、在读硕士生10名、毕业硕士生8名；4）项目资助：以该项目研究成果为依托，负责人成功申请天津市自然科学基金1项，并获得天津大学“北洋青年学者”人才项目资助。