[发明专利]基于卷积神经网络的染色体重要条带特征可视化方法及装置

权利要求书

1.一种基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，包括如下步骤：

步骤S1、提供多张原始染色体图片，利用预设的拉直算法将各张原始染色体图片沿骨架线拉直得到多张训练图片，进而生成包括多张训练图片的训练数据集；

步骤S2、用所述训练数据集训练预设的卷积神经网络模型；

步骤S3、将训练数据集输入训练后的卷积神经网络模型，得到各个染色体图片的分类结果、权重结果及特征结果；其中，所述染色体图片的分类结果为所述卷积神经网络模型输出的该染色体图片中的染色体的类别；所述染色体图片的权重结果为卷积神经网络模型输出的该染色体图片中的染色体的类别对应的权重值；所述染色体图片的特征结果为卷积神经网络模型输出的该染色体图片的特征图值；

步骤S4、对各个染色体图片的特征结果与其权重结果进行加权处理，得到各个染色体图片的第一重要度信息；

步骤S5、将各个染色体图片的第一重要度信息平均映射到该染色体图片对应的染色体条带上，得到各个染色体图片的纵向重要度信息；

步骤S6、根据各个染色体图片的纵向重要度信息及各个染色体图片的分类结果对各个染色体图片进行统计分析，得到并展示所述卷积神经网络模型识别各类染色体的重要条带特征；

所述第一重要度信息包括阵列分布的多个点位值；所述步骤S5中将第一重要度信息中每一行的点位值进行横向平均压缩，得到各个染色体图片的纵向重要度信息。

2.如权利要求1所述的基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，所述步骤S2中预设的卷积神经网络模型包括：依次连接的预处理模块、第一通道卷积层、第一最大池化层、第二通道卷积层、第二最大池化层、第三通道卷积层、第四通道卷积层、第三最大池化层、第五通道卷积层、第六通道卷积层、第四最大池化层、第七通道卷积层、第八通过卷积层、第九通过卷积层、全局平均池化层及全连接层；

所述染色体图片的分类结果为所述全连接层输出的该染色体图片中的染色体的类别；所述染色体图片的权重结果为所述全局平均池化层输出的该染色体图片中的染色体的类别对应的权重值；所述染色体图片的特征结果为第九通道卷积层输出的该染色体图片的特征图值。

3.如权利要求2所述的基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，所述预处理模块用于对改变训练图片的尺寸至预设尺寸，归一化训练图片的像素点值，以及对训练图片进行随机水平翻转和增加水平偏移的操作。

4.如权利要求2所述的基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，所述第一通道卷积层为64通道卷积层，第二通道卷积层为128通道卷积层，第三及第四通道卷积层为256通道卷积层，第五、第六、第七及第八通道卷积层为512通道卷积层，第九通道卷积层为1024通道卷积层；

所述第一至第九通道卷积层的卷积核的大小均为3×3，激活函数均为线性整流函数；

所述第一至第四最大池化层的池化区域均为2×2；

所述全连接层的激活函数为归一化指数函数；

所述第一至第九通道卷积层、第一至第四最大池化层、全局平均池化层及全连接层均加入参数0.001的L2正则化项防止过拟合。

5.如权利要求1所述的基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，所述步骤S2中采用交叉熵损失函数和随机梯度下降法预设的卷积神经网络模型。

6.如权利要求1所述的基于卷积神经网络的染色体重要条带特征可视化方法，其特征在于，所述步骤S6中根据各个染色体图片的纵向重要度信息及各个染色体图片的分类结果对各个染色体图片进行统计分析具体包括：

将各张染色体图片的纵向重要度信息进行归一化处理；

对分类结果相同的染色体图片的归一化后的纵向重要度信息进行平均计算，得到每一类染色体图片的平均纵向重要度信息。