[发明专利]一种基于深度学习的染色体自动分析方法及系统

权利要求书

1.一种基于深度学习的染色体自动分析方法，其特征在于，包括：

训练染色体图像数据集中的染色体图像检测分割模型；

对待检测染色体图像进行多尺度处理，生成待检测染色体的多尺度图像集；

应用所述训练出的染色体图像数据集中的染色体图像检测分割模型，对所述生成的待检测染色体的多尺度图像集进行图像分割，得到染色体图像分割结果的mask蒙版及其相对位置坐标，并判断染色体图像有粘连或无粘连；

对所述判断出的有粘连的染色体图像再次进行图像分割；

训练染色体图像数据集中的染色体图像检测分类模型；

应用所述训练出的染色体图像数据集中的染色体图像检测分类模型，对待检测染色体图像进行图像分类；

对所述得到的染色体图像分割结果的mask蒙版及其相对位置坐标以及对待检测染色体图像进行图像分类后的图像分类结果，进行聚类分析，综合得到染色体图像分割结果及其图像分类结果，输出染色体核型图。

2.如权利要求1所述的基于深度学习的染色体自动分析方法，其特征在于，在所述训练染色体图像数据集中的染色体图像检测分割模型之前，还包括：

制作染色体图像数据集。

3.如权利要求2所述的基于深度学习的染色体自动分析方法，其特征在于，所述制作染色体图像数据集，包括：

将单染色体RGB图像进行二值化处理，则二值化的图像为所述单染色体对应的mask蒙版，得到单染色体mask蒙版数据集，其中染色体图像为RGB图像，mask蒙版为单通道图像。

4.如权利要求1至3任意一项所述的基于深度学习的染色体自动分析方法，其特征在于，所述训练染色体图像数据集中的染色体图像检测分割模型，包括：

采用基于深度学习的Mask-RCNN模型框架方式，第一阶段先扫描染色体图像并生成提议，第二阶段再分类所述提议，并生成边界框和掩码，掩码分支是一个卷积神经网络，取感兴趣区域ROI分类器选择的正区域为输入，并生成相应的二值掩码。

5.如权利要求1至3任意一项所述的基于深度学习的染色体自动分析方法，其特征在于，所述对待检测染色体图像进行多尺度处理，生成待检测染色体的多尺度图像集，包括：

对原染色体图像进行不同比例的比缩放处理，接着对进行不同比例的比缩放处理后的结果进行多角度旋转处理，将待检测染色体图像处理成多尺度下的系列图像，成为所述原染色体图像的多尺度图像集，得到染色体检测分割训练后模型。

6.如权利要求1至3任意一项所述的基于深度学习的染色体自动分析方法，其特征在于，所述应用所述训练出的染色体图像数据集中的染色体图像检测分割模型，对所述生成的待检测染色体的多尺度图像集进行图像分割，得到染色体图像分割结果的mask蒙版及其相对位置坐标，并判断染色体图像有粘连或无粘连，包括：

应用所述训练出的染色体图像数据集中的染色体图像检测分割模型，对所述生成的待检测染色体的多尺度图像集进行图像分割，得到染色体图像分割结果的mask蒙版及其相对位置坐标，遍历，若所述模型对输入图像有第一预设阈值数量的检测结果，则其得到对应所述第一预设阈值数量的分割mask蒙版，对应所述第一预设阈值数量的染色体分割结果，分别表示为二值矩阵，蒙版的中心点即所述染色体的在输入图像中的位置坐标，通过归一化和对应的旋转处理，即可得到所述染色体的相对位置坐标，并判断染色体图像有粘连或无粘连。

7.如权利要求1至3任意一项所述的基于深度学习的染色体自动分析方法，其特征在于，所述训练染色体图像数据集中的染色体图像检测分类模型，包括：

通过图像旋转变换，生成经过预设第二阈值数量的随机角度旋转的图像，以此获得数据扩充得到对应预设第二阈值数量的染色体，并将数据量分成预设第二阈值数量批次依次增加，对比随着训练数据量增加，对模型效果提升的影响；同时将数据集分成训练集、验证集和测试集三部分，按预设的数据量比例进行配置，当通过训练集训练处多个模型后，能够使用各个模型对验证集数据进行预测，能够用来调整模型的参数，选出效果最佳的模型所对应的参数。