[发明专利]基于深度学习的染色体识别方法、装置和计算机设备

权利要求书

1.一种基于深度学习的染色体识别方法，其特征在于，所述方法包括：

获取待识别染色体图像；

将所述待识别染色体图像输入至训练好的神经网络模型中，提取所述待识别染色体图像中的染色体形态学图像特征，得到特征图；

对所述特征图进行多尺度卷积处理，得到不同尺度的特征图；

对所述不同尺度的特征图进行分类处理，得到所述待识别染色体图像中染色体的偏移量；

对所述偏移量进行回归处理，得到所述染色体的位置。

2.根据权利要求1所述的方法，其特征在于，所述将所述待识别染色体图像输入至训练好的神经网络模型中，提取所述待识别染色体图像中的染色体形态学图像特征，得到特征图，包括：

读取所述待识别染色体图像的三通道数据；

对所述三通道数据进行归一化处理，得到归一化处理图像；

将所述归一化处理图像输入至训练好的神经网络模型中，提取所述待识别染色体图像中的染色体形态学图像特征，得到特征图。

3.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练，包括：

获取的样本染色体图像；

对所述样本染色体图像进行标注，将携带染色体标注和杂质标注的样本染色体图像作为染色体数据集；

根据所述染色体数据集对预先设置的神经网络模型进行训练，确定所述预先设置的神经网络模型的最优参数，得到训练好的神经网络模型；所述神经网络模型中包括用于区分染色体和杂质的分类子网络，以及用于定位染色体位置的回归子网络。

4.根据权利要求3所述的方法，其特征在于，所述获取的样本染色体图像，包括：

获取用于训练的原始染色体图像；

对所述原始染色体图像进行旋转、平移、模糊操作、光照调整、增加噪声增强操作，得到样本染色体图像。

5.根据权利要求3所述的方法，其特征在于，所述根据所述染色体数据集对预先设置的神经网络模型进行训练，确定所述预先设置的神经网络模型的最优参数，得到训练好的神经网络模型，包括：

对所述染色体数据集进行染色体形态学图像特征，得到特征图；

对所述特征图进行多尺度卷积处理，得到不同尺度的特征图；

将所述不同尺度的特征图输入至所述分类子网络和所述回归子网络进行训练，确定所述预先设置的神经网络模型的最优参数，得到训练好的神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述对所述特征图进行多尺度卷积处理，得到不同尺度的特征图，包括：

将所述特征图输入至特征金字塔网络中，对所述特征图进行上采样，得到采样结果集；

通过每层卷积层中的卷积核对对应的采集结果进行卷积处理，得到对应卷积结果；

对各所述采样结果、所述卷积结果和所述特征图进行融合，通过第二卷积核对各融合结果进行卷积处理，得到不同尺度的特征图。

7.一种基于深度学习的染色体识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别染色体图像；

提取模块，用于将所述待识别染色体图像输入至训练好的神经网络模型中，提取所述待识别染色体图像中的染色体形态学图像特征，得到特征图；

处理模块，用于对所述特征图进行多尺度卷积处理，得到不同尺度的特征图；

分类处理模块，用于对所述不同尺度的特征图进行分类处理，得到所述待识别染色体图像中染色体的偏移量；

回归处理模块，用于对所述偏移量进行回归处理，得到所述染色体的位置。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

读取模块，用于读取所述待识别染色体图像的三通道数据；

归一化处理模块，用于对所述三通道数据进行归一化处理，得到归一化处理图像；

提取模块还用于将所述归一化处理图像输入至训练好的神经网络模型中，提取所述待识别染色体图像中的染色体形态学图像特征，得到特征图。