[发明专利]基于人工智能与图形学结合的染色体图像处理方法

权利要求书

1.基于人工智能与图形学结合的染色体图像处理方法，其特征在于，

包括以下步骤：

a.根据染色体原始图像数据集训练分割模型；

b.在进行染色体图像处理时，利用分割模型将待处理的染色体原始医学图像进行分割；

c.针对步骤b中未完全分割的染色体团簇图像进行二次至多次分割，得到单条染色体；

d.根据图形学算法处理后的伸直单条染色体图像数据集训练分类模型；

e.应用分类模型对经过分割并伸直后的单条染色体进行分类；

f.根据分类结果，执行适用于医学报告的排版功能，输出排版后的染色体图像；

步骤d中，所述图形学算法处理包括：

d1.预处理过程：对单条染色体的图像进行灰度均衡化处理；

d2.中线提取及首尾切割：在中轴片段的获取上，采用德劳内三角形方法取出染色体的中轴，用于像素关联处理；并对匹配到中轴长度外的染色体部分进行切割；

d3.方向匹配及像素关联：对于中轴上的每一像素点，取其关联中轴曲线的法线，沿着法线通过的每一个有效像素点均为与该中轴像素点所关联的像素；在方向匹配上，通过对中轴像素3*3邻域的像素分布，确定出适应16个不同方向的近似法线；此外，针对中轴弯曲处的像素点进行二次补点操作，即在该点的弯曲趋势上，前后各选取一个点，按照原斜率关联像素后按顺序添加进待伸直队列当中；

d4.角度校正及首尾贴合：首先需要衡量待伸直队列的平均长度，以此判定某队列是否需要进行校正处理；如果需要校正，针对该队列找回原图像中的中轴点位置，并抛弃其当前角度信息，用定义的16种角度对像素进行重新关联，直到找到一条在长度上最为合适的队列；如果新队列的角度信息需要补点，则进行补点处理，然后把所有新产生的队列统一替换到伸直图像中；

角度校正过程完成后，需要进行首尾切割部分的整合，使用边界膨胀法进行处理：从切割线开始，为每一个有效像素点提供一个十字型1像素的膨胀模板，膨胀后将获得的切割部分像素贴合到伸直好的中轴关联部分的首尾端，下一轮则使用新获得的像素作为膨胀的起点，如此循环直至不再获得新的像素点；

经过步骤d1-d4的处理后获得伸直后的单条染色体图像。

2.如权利要求1所述的基于人工智能与图形学结合的染色体图像处理方法，

其特征在于，步骤a中，在训练分割模型之前，首先进行染色体原始图像数据集的制作，具体包括：通过数据标注工具将获取到的染色体原始图像进行标注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的JSON格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。

3.如权利要求2所述的基于人工智能与图形学结合的染色体图像处理方法，

其特征在于，步骤a中，所述分割模型采用基于深度学习的U-net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的分割模型。

4.如权利要求1所述的基于人工智能与图形学结合的染色体图像处理方法，

其特征在于，步骤b中，在利用分割模型将待处理的染色体原始医学图像进行分割后，获得分割的染色体图像的二值化掩膜，根据所述二值化掩膜在待处理的染色体原始医学图像上提取分割出来的染色体图像；所述分割出来的染色体图像中包括绝大部分的单条染色体和少部分的未完全分割的染色体团簇图像。

5.如权利要求1所述的基于人工智能与图形学结合的染色体图像处理方法，

其特征在于，步骤c中，针对步骤b中未完全分割的染色体团簇图像若在一定次数分割仍未成功时，调用人工辅助接口给出待人工辅助处理的提示，由操作者通过勾选条件或者直接划线、描点操作辅助程序完成分割任务。

6.如权利要求5所述的基于人工智能与图形学结合的染色体图像处理方法，

其特征在于，在调用人工辅助接口之前先对未完全分割的染色体团簇图像进行灰度均衡化的预处理。