在医学研究中,通常需要根据细胞或类器官的形态及存活率来达到一些研究目的。在细胞研究中有一类常见的问题,即细胞的时序图像分类问题。常常需要通过细胞随着时间变化的图像,提取一些时间信息和空间信息,以对细胞的时序图像分类。基于细胞图像的数据形式的不同,本文将细胞的时序图像分类问题分为了以下三类:1.每一张图片中包含多个细胞的细胞时序图像;2.每一张图片中包含一个细胞主体的细胞时序图像;3.以视频形式拍摄细胞在一段时间内变化的细胞时序图像。本文结合深度学习的方法,分别为以上三种细胞时序图像分类问题提出了解决方案并加以算法改进。并给出了针对以上三种问题的三种不同场景任务:通过培养脐带间充质干细胞多代并拍摄细胞图像,对脐带间充质干细胞时序图像分类。对药物作用的癌细胞的时序图像进行分析,判断药物种类。根据药物作用前后的心肌球视频判断药物种类。主要研究内容如下:1.本文对脐带间充质干细胞识别进行研究。实验人员对若干株脐带间充质干细胞培养若干代且每一代拍摄若干张的细胞图片,通过细胞的形态以及每一代之间的差异来识别脐带间充质干细胞。本文在Res Net-LSTM网络上做了改进,基于多尺度和注意力机制提出了MSA-Res Net-LSTM网络,在测试集上取得了94.8%的准确率,对大多数细胞株图片能正确识别。2.本文对药物作用下的癌细胞时序图像分类进行了研究。本文使用了药物作用下细胞的时序图像,基于深度学习的方法,以3D卷积神经网络中的I3D网络作为基础,并且提出了能单独提取时间特征和空间特征的漏斗卷积结构替换3D卷积核,改进了网络。在测试集上取得了91.4%的准确率,能较好地药物筛选。3.对于药物作用的心肌球类器官,实验人员希望通过心肌球收缩的视频而知道药物的种类。本文使用了图像分割和帧差法来对心肌球收缩视频进行分析,并提出了分段多尺度熵算法,和MSEAMP指标对曲线分类。该指标能较好地对西沙必利,硝苯地平,异丙肾上腺素做出分类。