[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

说明书

本发明公开了一种基于深度学习的染色体自动分析方法及系统，可以采用多层次处理，分层处理染色体的独立形态和重叠形态，并对染色体位置坐标、分类标签、分类置信度进行聚类分析输出核型图。通过上述方式，能够采用基于深度学习的染色体分割方法，不依赖特定染色体形态模式，具有较高的泛化能力，能够采用基于深度学习的染色体分类方法，兼顾染色体全局形态和带纹特征，提高分类准确率，能够采用多尺度处理，对待检测图像利用更加充分，有效提高在染色体重叠，粘连情况下的分割效果。

技术领域

本发明涉及染色体分析技术领域，尤其涉及一种基于深度学习的染色体自动分析方法及系统。

背景技术

人类染色体识别是医学遗传学的重要研究课题，其在医学临床诊断、辅助教学及科研等领域有着广泛的应用，它是判断人类遗传病的重要依据。传统的染色体识别由人工来完成，不仅识别过程繁琐，而且识别工作易产生误差。为了减轻医务人员和医学教学人员的工作量，提高识别效率，采用计算机图像处理技术自动识别染色体的工作已经得到运用。

染色体自动识别技术主要为图像预处理，图像分割，图像分类三个流程。其中，交叠粘连染色体的自动切割是染色体图像自动分析中的第一个难点，对此，目前常见的有基于边界特征的提取和处理的分割方案，还有基于形态学腐蚀和膨胀处理的分割方案，以及分水岭算法的分割方案。这些方案虽然能解决“X”型、“T”型、“V”型等常规重叠和粘连状况的染色体分割，但显然对目标染色体的形状和粘连状况都有较高要求。由于染色体形态的多变性和粘连重叠的随机性，很容易形成多条染色体重叠粘连、大小染色体重叠粘连的状况，在实际应用中以上方案泛化能力有限，并不能满足所有分割情况。

采用怎样的分类策略和分类器也是染色体自动分析中的第二个难点。目前主要采用的是基于提取带纹特征的统计模式识别方案如贝叶斯方案、似然方案和BP神经网络方案。受制于带纹特征提取的深度和特征集选取，目前方案的染色体识别率较低，特别是对带纹信息丢失的重叠染色体，分类的准确性会显著性下降。而且，上述方案并没有充分利用染色体的形态信息，在带纹不明显或有噪音的情况下解惑并不稳定。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的染色体自动分析方法及系统，能够采用基于深度学习的染色体分割方法，不依赖特定染色体形态模式，具有较高的泛化能力，能够采用基于深度学习的染色体分类方法，兼顾染色体全局形态和带纹特征，提高分类准确率，能够采用多尺度处理，对待检测图像利用更加充分，有效提高在染色体重叠，粘连情况下的分割效果。

根据本发明的一个方面，提供一种基于深度学习的染色体自动分析方法，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。

其中，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。

其中，所述制作染色体图像数据集，包括：