[发明专利]染色体分类方法及系统

权利要求书

1.一种染色体分类方法，其特征在于，包括：

获取待分类染色体图像；

利用多尺度特征提取网络提取所述染色体图像的N个尺度特征，N≥2，所述N个尺度特征为按尺度大小降序排列；

将所述N个尺度特征并行输入到对应的N个平均池化层；

将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。

2.如权利要求1所述的染色体分类方法，其特征在于，N≥3；

所述将所述N个尺度特征并行输入到对应的N个平均池化层，进一步包括子步骤：将所述N个尺度特征中尺度最大的尺度特征输入到卷积神经子网以进行染色体关节检测，并将其余N-1个尺度特征并行输入到对应的N-1个平均池化层。

3.如权利要求1所述的染色体分类方法，其特征在于，所述多尺度特征提取网络包括连续的N级结构，其中输出最高尺度的第一级设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中所述第一级中的卷积模块与所述其余各级中的卷积模块不同。

4.如权利要求1所述的染色体分类方法，其特征在于，所述卷积模块包括四个卷积单元；

所述第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及所述其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32×2j，j≤当前级数。

5.如权利要求3所述的染色体分类方法，其特征在于，所述卷积模块被配置为将第K-1级输出的第K-1个尺度特征进行卷积以形成第K级的第K个尺度特征，第K级的其他K-1个尺度特征仅从第K-1级中转移得到，2≤K≤N；

所述交换模块被配置为转换第K级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤K；

所述迁移模块被配置为从所述第一级开始，逐步迁移形成了其余N-1级，在最后的第N级生成所述N个尺度特征。

6.如权利要求2所述的染色体分类方法，其特征在于，还包括：

根据公式计算染色体类型和极性分类损失，其中O^t、O^p、y^t、y^p分别表示染色体的预测类型，预测极性，目标类型和目标极性的概率向量，λ₁和λ₂分别设为0.5和0.1；

根据公式计算染色体关节检测损失，其中表示第j个关节的标签A_j中第(x,y)个元素，表示第j个关节H_j的预测结果中第(x,y)个元素，T、σ分别设置为6和2，J设置为5，W、H分别表示图像的宽度和高度；

计算多任务网络的总损失，所述总损失等于所述染色体类型和极性分类损失和所述染色体关节检测损失之和，其中所述多任务分类网络包括所述N-1个平均池化层、两个分类子网络和卷积神经子网；

根据所述多任务网络的总损失优化所述多任务网络的参数。

7.一种染色体分类系统，其特征在于，包括：

多尺度特征提取网络,所述多尺度特征提取网络学习并提取待分类染色体图像的N个尺度特征，N≥2，所述N个尺度特征为按尺度大小降序排列；

多任务网络，包括顺次连接的N个并行平均池化层、并置单元、两个分类子网络，所述N个并行平均池化层对应输入所述N个尺度特征，所述并置单元将所述N个并行平均池化层的输出进行并置处理，并将并置结果分别输入到所述两个分类子网络，以进行染色体类型和极性分类。

8.如权利要求7所述的染色体分类系统，其特征在于，N≥3；

所述多任务网络还包括卷积神经子网，所述卷积神经子网输入所述N个尺度特征中尺度最大的尺度特征以进行染色体关节检测，所述N-1个并行平均池化层对应输入其余N-1个尺度特征。