在生物医学领域,替代人工实现对癌细胞的自动监测与分析对研究癌细胞特性开发抗癌新药具有非常大的意义。由于在药物抑制下的癌细胞具有非常多样的形态,以及细胞之间的相似度较大,难以区分不同细胞,实现对癌细胞的自动监测是非常有挑战性的问题。近年,随着深度学习的发展,深度学习在计算机视觉领域的目标分类、检测以及跟踪等课题上都有了突破性的进步。本文将基于深度学习的目标检测方法和基于检测的多目标跟踪算法应用在癌细胞的自动监测课题,以在药物溶液中体外培养的癌细胞显微图像为研究数据,实现了非常好的检测与跟踪效果,对实现癌细胞的自动监测具有重要的意义。本文主要工作成果与创新如下:1.在本课题中,对癌细胞数据做了手工标注。使用基于对图像提取建议区域,再对建议区域进行分类的目标检测策略。利用Faster RCNN检测框架,首先使用深度学习模型训练了提取建议区域的卷积神经网络,然后训练深度学习的分类模型完成对建议区域的分类,从而完成对癌细胞的检测。2.为了提升模型在细胞粘连区域的检测效果,设计了基于阈值分割和扫描圆的再检测算法,对细胞粘连区域进行了检测效果优化。并且为了克服训练数据偏少的问题,使用辅助数据预训练的网络参数来初始化网络模型。最终,本文的检测算法对癌细胞的分散部分和粘连部分都取得了很好的检测效果。3.利用检测算法对癌细胞的检测结果,使用基于检测的多目标跟踪方法实现了癌细胞的多目标跟踪,在细胞的分散区域与粘连区域都取得了很好的跟踪效果。4.在跟踪算法中对目标进行匹配时,依据癌细胞的形态特点以及使用的研究数据的情况设计了对癌细胞的综合特征描述。在综合特征描述中利用了卷积特征,使得设计的描述更加有效。同时,实现了高效的癌细胞多目标跟踪系统。