[发明专利]基于深度学习的单双微核细胞图像检测方法及相关设备

说明书

本发明公开了基于深度学习的单双微核细胞图像检测方法及相关设备，方法包括：获取步骤，获取真阳性微核组学图像，所述真阳性微核组学图像携带有关键指标；检测步骤，将所述真阳性微核组学图像输入至微核组学检测模型进行处理，以剔除不符合预定面积关系的假阳性微核样本，输出微核组学模型图像；计算步骤，所述微核组学检测模型利用所述输出微核组学模型图像的微核面积与所述真阳性微核组学图像的微核面积进行计算。统计步骤，统计所述关键指标的检测数据。本发明提供了一种基于深度学习和图像处理算法的微核组学图像检测方法，实现了微核组学的大规模、多指标、高效、高精度和可视化检测，有效检测癌症风险。

技术领域

本发明涉及DNA分析技术,特别涉及一种基于深度学习的单双微核细胞图像检测方法及相关设备。

背景技术

微核组学不仅广泛应用于外源性化学物质(如药物、食品添加剂、化妆品、环境污染物等)遗传效应的类型和模式在癌症风险筛查和风险预测中也起着重要作用.

微核组学对应的检测能全面显示DNA损伤与修复、染色体断裂或丢失、基因分裂不稳定性、双着丝粒染色体、凋亡、坏死和细胞生长抑制等多种问题，其中核质桥NPBs与微核MNI的比值可作为判断染色体断裂丢失和遗传损伤修复的生物标志物，细胞微核率是2000个双核细胞中含有微核的细胞所占的比例，因此，检测双核细胞BN对微核计数至关重要。

现有针对双核细胞的微核组学检测方法，主要是基于图像处理算法的计算机图像分析系统的计数方法，其使用显微镜、摄像机等硬件获取图像，然后使用锐化等滤波算法对图像进行降噪、边缘检测等预处理。然后，根据微核大小、形状、长宽比、相对凹凸深度和颜色等特征规则，采用改进的分水岭、种子区域生长和迭代阈值分割等算法提取感兴趣区域，实现微核计数。同时，由于微核面积的大小需要满足主核面积大小的1/20到1/3，如果只使用目标检测模型进行检测，被检测目标检测后不会通过图像处理方法的二次验证。

因此，现有技术中微核组学图像中的真阳性微核组学图像存在无法准确筛选，检测精度无法保证的技术问题。

发明内容

本发明的目的在于，达到提升单双微核细胞检测准确度及精度的技术目的。

一种基于深度学习的单双微核细胞图像检测方法，包括：

如下步骤：

获取步骤，获取真阳性微核组学图像，所述真阳性微核组学图像携带有关键指标信息；

检测步骤，将所述真阳性微核组学图像输入至微核组学检测模型进行处理，以剔除不符合预定面积关系的假阳性微核样本，输出微核组学模型图像；

计算步骤，所述微核组学检测模型利用所述输出微核组学模型图像的微核面积与所述真阳性微核组学图像的微核面积进行计算。

统计步骤，统计所述关键指标的检测数据。

优选地，所述计算步骤具体实现为：

使用图像处理算法分别分割输出图像和真阳性微核组学图像的计算区域中的主核面积和微核面积，分别比较主核面积和微核面。

优选地，所述关键指标包括微核MNI、核质桥NPB、核芽突nbud和正常双核细胞BN。

优选地，还包括：预处理步骤，包括：

对所述真阳性微核组学图像和/或待检测微核组学图像中的所述关键指标进行位置标记，所述位置标记基于图像网格单元；

并对微核组学图像执行图像分割和数据增强操作。

优选地，对微核组学图像执行图像分割和数据增强操作，具体实现为：

根据预定大小通过使用滑动窗口方法对整个微核组学图像进行切片以获得多个子图像像素块；