基于非负矩阵分解的多通道荧光显微图像光谱拆分方法技术

本发明专利技术公开了基于非负矩阵分解的多通道荧光显微图像光谱拆分方法。包括S1，获取多通道荧光显微图像，将每个通道的图像作为矩阵P中的列；S2，将P分解为E与A两个矩阵；S3，建立目标函数J1(A)为A的稀疏度惩罚项，J1(A)＝|sparseness(A)

Spectral resolution of multichannel fluorescence microscopic images based on nonnegative matrix decomposition

【技术实现步骤摘要】
基于非负矩阵分解的多通道荧光显微图像光谱拆分方法


[0001]本专利技术属于图像处理领域，更具体地，涉及基于非负矩阵分解的多通道荧光显微图像光谱拆分方法。

技术介绍

[0002]在多色成像实验中，每种荧光团通常会标记样品中的不同结构。在一张包含串扰的多通道数据叠加成的图像中，我们不知道某一像元中包含的信号究竟来自于哪一种荧光团，它可能就是某一种单独的荧光团发出的荧光，也有可能是几种荧光团所发出的荧光混合而得的结果，这取决于它们在靶细胞器或分子内的空间分布。光谱拆分就是将不同荧光团在光谱及空间上的重叠分离开来，确定每种荧光团对图像的每个像元的相对贡献，以反推出各种结构在样品上真实的位置及数量关系的一种数据处理方法。
[0003]目前被用于荧光显微成像中的光谱拆分算法多种多样，比较主流的方法分为两种思路：一种是基于分类的思想，它假设图像中所有像元均为纯像元，即图像中每一个像元的信号只来自于对应空间位置上的某一种荧光团所发出的荧光，表现在混合模型中即每个像元的丰度向量α
i
为一元向量(unary vector)，向量中只有一个元素为1，其余都为0；另一种则是基于参考光谱进行代数求解，假设图像中所有像元都是混合像元，图像中所有像元的灰度值都由样品中所包含的所有荧光团共同描述，但荧光团之间不存在相互作用，不同荧光团对于该像元的贡献可用丰度矩阵A来描述，与荧光团的激发以及发射特性有关。
[0004]目前所使用的光谱拆分都依赖于样品中所包含的荧光团光谱信息，想要实现多色的光谱拆分，常常需要在成像前经过比较繁复的先验实验针对荧光团获得较准确的光谱信息。考虑到样品制备周期以及荧光蛋白在生物体内的随机表达等问题，如果能跳过流程光谱测量这一步，简化光谱拆分的流程会是更好的选择。此外，在实际成像，尤其是对活体进行成像时，复杂的成像环境(如温度，酸碱度等)都会对荧光团的光谱产生影响，很难保证实际成像与光谱测量时环境条件绝对一致，所以拆分结果常常不理想。
[0005]在机器学习中，有一种称为无监督学习的方法，其输入数据时不需要附带标签即可进行分类，将这一思路转移到光谱拆分当中，直接从成像数据中计算光谱信息及荧光强度，不需要引入预先测量的光谱信息，可获取更优的光谱拆分结果。非负矩阵分解(Non
‑
negative Matrix Factorization，NMF)便是一种无监督学习的方法，无需使用任何先验信息(荧光团的激发谱或者发射谱)就能实现光谱拆分。不同于主成分分析(Principal Component Analysis,PCA)或是矢量分析(Vector Quantization,VQ)，由于对矩阵的非负限制，数据在向量组合过程中只能使用加法而非减法，这样基于向量组合的分解具有可解释性和明确的物理意义，便称其分解出了局部特征。借助线性混合模型的矩阵表示形式P＝EA(E为端元矩阵，A为丰度矩阵，P即原图像)，NMF是依据最优化理论，通过迭代的方法，找到两个矩阵能够准确表述原图像，不需要提前测量光谱，在获取多通道图像之后将P进行矩阵分解，同时完成端元提取(单一荧光团图像)与丰度反演(荧光团光谱信息)。但是，由于丰度矩阵A与光谱信息有关，而不同荧光显微图像中的光谱信息会发生变化，因此丰度矩阵A的
稀疏度也会发生变化，但目前的NMF算法在迭代过程中并未考虑此因素。

技术实现思路

[0006]针对现有技术的以上缺陷或改进需求，本专利技术提供了基于非负矩阵分解的多通道荧光显微图像光谱拆分方法，其目的在于解决现有的光谱拆分过程中图像存在串扰的技术问题。
[0007]为实现上述目的，按照本专利技术的一个方面，提供了基于非负矩阵分解的多通道荧光显微图像光谱拆分方法，包括以下步骤：
[0008]S1，获取多通道荧光显微图像，将每个通道的图像作为矩阵P中的列；
[0009]S2，将矩阵P分解为E与A两个矩阵，其中，E表示端元矩阵，A表示丰度矩阵；
[0010]S3，建立目标函数其中，F表示范数，α表示权重系数，J1(A)表示丰度矩阵A的稀疏度惩罚项，定义为J1(A)＝|sparseness(A)
‑
spA|，sparseness(A)表示丰度矩阵A的稀疏度，spA表示丰度矩阵A的理想稀疏度值，0≤spA≤1；
[0011]S4，初始化端元矩阵E与丰度矩阵A；
[0012]S5，对目标函数中的端元矩阵E与丰度矩阵A进行迭代求解，直到目标函数小于预设值或迭代次数达到预设的最大迭代次数，则输出端元矩阵E和丰度矩阵A；
[0013]S6，将S5所得的端元矩阵E中的每列还原为荧光团图像，丰度矩阵A中的行表征为对应荧光团的光谱。
[0014]由于丰度矩阵A与光谱信息有关，当成像不同的荧光标记样本时，光谱信息会发生变化，因此丰度矩阵A的稀疏度也会发生变化，若直接令稀疏度趋近于零，那么当样品中存在共定位荧光标记时则容易得到像元过度分离的结果，导致图像失真严重。因此，通过上述技术方案，在目标函数上增加了丰度矩阵的稀疏度惩罚项，该稀疏度惩罚项中引入了丰度矩阵A的理想稀疏度值spA，并将其限定为[0，1]内的常数，通过减去spA，可以使丰度矩阵A的稀疏度值更接近理想值，保证丰度矩阵A是稀疏的，在迭代过程中实现精准约束，本申请中先使用荧光团现有光谱以及成像时所设置的荧光通道估算出每组实验中的丰度矩阵的理想稀疏度值，可在减少拆分图像串扰的同时，保证图像的连贯。
[0015]优选地，S3中，0≤α≤m，m表示每个通道图像的像元数。
[0016]优选地，S3中，L1表示一个矩阵的L1范数，定义为该矩阵中所有元素的绝对值之和，L2表示一个矩阵的L2范数，定义为该矩阵中所有元素的平方之和的平方根，n为丰度矩阵A的维数。
[0017]优选地，S4中使用非负双奇异值分解对端元矩阵E与丰度矩阵A进行初始化。
[0018]优选地，S4中初始化具体包括以下步骤：
[0019]S401，对矩阵P进行部分奇异值分解，得到左奇异向量U、右奇异向量V以及对角矩阵S；
[0020]S402，构建端元矩阵E的初始值E0，丰度矩阵A的初始值A0，j表示矩阵中的列：
[0021]j＝1时，
[0022]j≥2时，若||u
+
||||v
+
||＞||u
‑
||||v
‑
||，
[0023]若||u
+
||||v
+
||＜||u
‑
||||v
‑
||，||，
[0024]其中，T表示矩阵转置，u
j
,v
j
,s
j
分别表示左奇异向量U、右奇异向量V以及对角矩阵S的列，将左奇异向量U的列中所有≥0的元素保留，其余元素替换为0，记为u
+
，将左奇异向量U的列中所有<0的元素保留，其余元素替换为0，记为u本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非负矩阵分解的多通道荧光显微图像光谱拆分方法，其特征在于，包括以下步骤：S1，获取多通道荧光显微图像，将每个通道的图像作为矩阵P中的列；S2，将矩阵P分解为E与A两个矩阵，其中，E表示端元矩阵，A表示丰度矩阵；S3，建立目标函数其中，F表示范数，α表示权重系数，J1(A)表示丰度矩阵A的稀疏度惩罚项，定义为J1(A)＝|sparseness(A)
‑
spA|，sparseness(A)表示丰度矩阵A的稀疏度，spA表示丰度矩阵A的理想稀疏度值，0≤spA≤1；S4，初始化端元矩阵E与丰度矩阵A；S5，对目标函数中的端元矩阵E与丰度矩阵A进行迭代求解，直到目标函数小于预设值或迭代次数达到预设的最大迭代次数，则输出端元矩阵E和丰度矩阵A；S6，将S5所得的端元矩阵E中的每列还原为荧光团图像，丰度矩阵A中的行表征为对应荧光团的光谱。2.根据权利要求1所述的方法，其特征在于，S3中，0≤α≤m，m表示每个通道图像的像元数。3.根据权利要求1所述的方法，其特征在于，S3中，L1表示一个矩阵的L1范数，定义为该矩阵中所有元素的绝对值之和，L2表示一个矩阵的L2范数，定义为该矩阵中所有元素的平方之和的平方根，n为丰度矩阵A的维数。4.根据权利要求1所述的方法，其特征在于，S4中使用非负双奇异值分解对端元矩阵E与丰度矩阵A进行初始化。5.根据权利要求4所述的方法，其特征在于，S4中初始化具体包括以下步骤：S401，对矩阵P进行部分奇异值分解，得到左奇异向量U、右奇异向量V以及对角矩阵S；S402，构建端元矩阵E的初始值E0，丰度矩阵A的初始值A0，j表示矩阵中的列：j＝1时，j≥2时，若||u
+
||||v
+
||＞||u
‑
||||v
‑
||，||，若||u
+
||||v
+
||＜||u
‑
||||v
‑
...

【专利技术属性】
技术研发人员：黄歆媛，付玲，陈忠云，高秀娟，
申请(专利权)人：湖北光谷实验室，
类型：发明
国别省市：