[发明专利]一种基于深度学习的染色体极性识别方法和系统

说明书

本发明提供了一种基于深度学习的染色体极性识别方法，所述方法包括（1）收集数据集，（2）构建训练集和测试集，（3）基于训练集对染色体极性识别模型进行学习训练，（4）将测试集输入到染色体极性识别模型进行测试，输出待预测染色体的极性结果。本发明还提供了一种基于深度学习的染色体极性识别系统。本发明提供的方法和系统基于深度学习分类算法，能够准确地判断当前染色体极性类别，并据此完成染色体极性调整，使得染色体均保持短臂朝上的状态。所述方法和系统染色体极性识别准确率达96.36%，而且数据来源简单，染色体分析自动化程度高，流程更加简洁，具有广泛的工业实用性。

技术领域

本发明涉及计算机视觉图像处理，染色体计数等技术领域，具体涉及一种染色体极性识别方法和系统。

背景技术

染色体核型分析是发现染色体病的重要手段，染色体数目或者结构异常都能通过染色体核型分析的技术手段发现。为了便于临床医生根据染色体的形态结构给出相应诊断结果，分割出来的所有染色体会按照顺序排列，同时保证呈竖直状态且染色体短臂朝上，长臂朝下，即调整染色体极性，最终形成准确清晰的染色体核型图。

目前，染色体分析系统一般严重依赖人工调整染色体极性，医生需要通过点击或拖拽的方式调整，耗时耗力。目前已存在的技术方法往往会同时完成染色体类型识别和染色体极性识别。这些方法同时利用计算机图形学方法和深度卷积神经网络模型提取与染色体类型识别和极性识别相关的特征，然后利用两个简单的分类器来分别判断染色体的类别和极性。这些方法的优点在于可以同时完成染色体类型识别和极性识别，节省了运算时间和运算所需资源；而缺点在于，染色体类型识别应与染色体极性无关，即判断染色体类别不应受染色体极性的影响。此外，目前的方法都没有阐明如何得到处于竖直状态的染色体，这是后续染色体进行极性翻转的前提步骤。

目前人工调整染色体极性是广泛使用的方法，当前的染色体分析系统提供点击拖拽功能，方便临床医生对观察发现的染色体极性异常进行调整，即上下翻转极性异常的染色体，保证短臂朝上，长臂朝下的状态，需要耗费人力，效率较低，尤其有的染色体长短臂不易识别，给诊断造成困难。

基于深度学习的染色体识别方法充分利用深度学习技术强大的特征提取能力，同时也补充计算机图形学提取的特征，最后利用两个独立的分类器分别完成染色体类型识别和染色极性识别，但主要目的还是为了完成染色体类型识别，因此首先需要保证染色体类型识别与染色体极性无关，即无论染色体短臂是否朝上都需要模型准确的判断染色体类别，因此两个任务之前存在一定的冲突，所学到的特征也无法使两个任务同时达到最优效果。此外，该方法默认输入的染色体处于竖直状态，没有考虑从细胞分裂中期图像中分割出来的单条染色体并不必然处于竖直状态，是一个比较重大的技术缺失。

人工调整染色体极性效率较低，而基于深度学习的染色体识别方法的缺陷则是由于染色体类型识别和染色体极性识别所需的特征存在冲突而且难以阐明如何从分割出的、处于任意角度状态下的染色体得到处于竖直状态的染色体，以便染色体极性识别模型判断和调整染色体极性。本发明的目的旨在解决染色体极性识别过程中人工效率低下以及基于深度学习的染色体识别算法任务冲突和缺少染色体旋转关键步骤技术方案的问题，提出了一种染色体极性识别方法及系统。

发明内容

基于上述目的，本发明拟通过计算染色体在水平面的投影距离和专注于染色体极性识别任务的深度卷积神经网络来解决现有技术存在的问题。本发明首先提供了一种基于深度学习的染色体极性识别方法，所述方法包括以下步骤：

（1）收集数据集：收集从细胞分裂中期图像中通过染色体分割方法分割出来的单条染色体，旋转收集到的染色体呈竖直状态并提取染色体的极性特征，以短臂朝上或短臂朝下进行极性标注；

（2）构建训练集和测试集：将步骤（1）获得的数据集划分为训练集和测试集，构建以分类网络结构为主干网络的染色体极性识别模型；