[发明专利]一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法

权利要求书

1.一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法，其特征在于，所述方法包括：

步骤1：对多张包含染色体原图中的染色体实例进行纯色覆盖，生成多张染色体掩码图，以此作为神经网络当中染色体实例掩码图预测分支的样本标签；

步骤2：将包含染色体实例的原图划分成S×S个网格，每个网格负责预测一个染色体实例，根据每个染色体的三等分特征点来将该染色体分配给不同的网格来预测该染色体实例的实例类别；

步骤3：将待处理的染色体原图与标注的染色体实例掩码图以及所有网格的预测类别组合制作成训练集，采用所设计的损失函数将模型在制作的训练集上对染色体实例分割网络进行训练，经过多次迭代训练获得有效的染色体实例分割模型；

步骤4：利用训练好的染色体实例分割模型对染色体图像进行推理，将需要进行分割的染色体原图输入到模型当中，经过FPN提取染色体图像特征，在三个尺度上分别输出三个尺寸的张量来对特征进行输出；

步骤5：将FPN输出的特征张量进行自适应下采样操作，将每个特征张量中的特征进行提取，输出一个形状为S×S×256的特征张量用于染色体实例类别的预测，采用尺寸为3×3的卷积核对获得的特征张量进行特征提取，最终输出一个大小为S×S×C的特征张量来预测染色体实例类别；

步骤6：将FPN输出的特征张量进行上采样，输出一个形状为H×W×(256+2)的特征张量来用于预测染色体实例掩码图，采用3×3大小的卷积核对该特征张量进行七次卷积操作输出一个形状为H×W×S²的特征张量用于预测不同染色体实例的掩码图；

步骤7：结合输出的染色体实例类别预测张量和染色体实例掩码图预测张量，采用非极大值抑制算法来筛选预测结果，合并重叠的染色体掩码图，最终确定染色体实例分割的结果。

2.根据权利要求1所述的一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法，其特征在于，在实例类别预测张量中，输出一个形状为S×S×C的张量来预测S×S个网格中可能存在的染色体实例类别，以此来预测在不同位置上可能存在的染色体实例类别，该分支网络的输出采用Focal Loss作为损失函数，染色体实例类别预测分支损失函数公式如下：

；

其中y表示实例类别标签值，表示模型预测的实例类别概率，参数λ是用于调整易分类样本和难分类样本的权重系数，参数α是用于调节不同实例样本的比例的权重系数。

3.根据权利要求2所述的一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法，其特征在于，在染色体实例掩码图预测分支中，将x、y坐标和原始特征连接起来，对空间信息进行编码；然后将该特征张量连接到输入特征当中并向下传递；若原特征张量的大小为H×W×D，则新特征张量的大小为H×W×(D+2)，其中后两个通道为x、y像素坐标特征；在推理过程中将特征图上采样到原图大小，输出一个形状为H×W×S²的张量，以此来预测染色体实例的掩码图；掩码预测分支损失函数公式如下，

；

其中N表示正样本个数，k表示模型所预测的掩码图的编号，p^*_i,j表示模型预测第(i, j)个网格中可能存在实例目标的概率，I表示指示函数，当p^*_i,j＞0时I等于1，否则I等于0，m_k和m^*_k分别表示实例掩码图标签和模型预测的实例掩码图；d_mask采用了Diceloss损失函数来保证训练时模型能够更好的收敛，其中d_mask的公式如下：

；

其中，m_x,y和g_x,y分别表示预测的染色体实例掩码图m和真实的实例掩码图g在坐标(x,y)上的值；

采用大量染色体实例样本来对所设计的深度学习模型进行训练，获得能够实现端到端的染色体实例分割模型。

4.根据权利要求3所述的一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法，其特征在于，模型训练的损失函数公式定义如下，其中γ为染色体实例类别和实例掩码图预测分支损失的权重系数：

；

将需要检测的染色体图像输入到训练好的深度学习模型当中，预测在第(i, j)个网格上可能存在的染色体实例类别概率P_i,j和其相应的掩码图m_k，其中k=iS+j；

染色体类别预测和对应的掩码图是通过它们的参考网格单元关联起来，可以直接形成每个网格的最终实例分割结果。