【技术实现步骤摘要】
染色体异常检测方法、装置、设备及计算机可读存储介质
本申请属于机器人学习
，尤其涉及染色体异常检测方法、装置、设备及计算机可读存储介质。
技术介绍
现有染色体异常检测中，一般都是利用传统图像处理对比是否存在异常特征进行判断。这种方式存在以下缺点：一、但由于染色体特征的多样性，有的异常染色体与正常染色体极度相似，且每个人的染色体虽然整体结构一样，但细分又有一些差异，这样导致一个或者几个固定的特征，很难把某一号或者某一特定异常表达全面，也就意味着漏检率会较高；二、传统图像处理方法需要大量的异常标签作为判断依据，然而染色体异常种类有上千种，甚至有一些异常只有几个病例样本，传统图像处理方法几乎不可能很好的囊括这些异常病例，使得检测结果准确性不高。
技术实现思路
本申请实施例提供了染色体异常检测方法、装置、设备及计算机可读存储介质，可以解决现有技术中染色体异常检测准确性不高的技术问题。第一方面，本申请实施例提供了一种染色体异常检测方法，包括：获取目标病例的N个第一图集，每一所述第一图集均包含多...
【技术保护点】
1.一种染色体异常检测方法，其特征在于，包括：/n获取目标病例的N个第一图集，每一所述第一图集均包含多张分割图，每一所述分割图包含一条染色体的图像；/n将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中，得到每一所述分割图对应的H种核型的判别值，所述H种核型的判别值与所述H个目标判别模型一一对应；/n分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值，得到每一所述第一图集对应的核型配对结果，所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素；/n根据所述N个第一图集中的每一所述核型...
【技术特征摘要】
1.一种染色体异常检测方法，其特征在于，包括：
获取目标病例的N个第一图集，每一所述第一图集均包含多张分割图，每一所述分割图包含一条染色体的图像；
将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中，得到每一所述分割图对应的H种核型的判别值，所述H种核型的判别值与所述H个目标判别模型一一对应；
分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值，得到每一所述第一图集对应的核型配对结果，所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素；
根据所述N个第一图集中的每一所述核型对应的元素的数量，以及每一所述核型对应的数量阈值，生成所述目标病例的检测结果，其中，H为正整数，N为大于1的整数。
2.如权利要求1所述的方法，其特征在于，所述分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值，得到每一所述第一图集对应的核型配对结果，包括：
根据每一所述分割图的预测判别值对应的核型得到所述每一所述分割图的预测核型，所述预测判别值为所述H种核型的判别值中大于第一阈值且数值最大的判别值；
根据每一所述第一图集中的全部所述分割图的预测核型进行配对生成对应的核型配对结果。
3.如权利要求1所述的方法，其特征在于，所述根据所述N个第一图集中的每一所述核型对应的元素的数量，以及每一所述核型对应的数量阈值，生成所述目标病例的检测结果，包括：
依据所述N个第一图集对应的N个核型配对结果，得到与所述H种核型分别对应的H个染色体集，每一所述染色体集的元素对应同一所述核型；
根据每一所述染色体集中所述元素的数量，以及与所述每一所述染色体集对应的数量阈值，生成所述目标病例的检测结果。
4.如权利要求3所述的方法，其特征在于，所述根据每一所述染色体集中元素的数量，以及与所述每一所述染色体集对应的数量阈值，生成所述目标病例的检测结果，包括：
当至少一个所述染色体集中元素的数量小于对应的数量阈值时，生成用于表征所述目标病例异常的检测结果；
当全部所述染色体集中元素的数量不小于对应的数量阈值时，生成用于表征所述目标正常的检测结果。
5.如权利要求1所述的方法，其特征在于，所述获取目标病例的N个第一图集之前，还包括：
构建生成对抗网络，所述生成对抗网络包括原始生成模型和原始判别模型，所述原始判别模型为二分类网络；
获取同一核型染色体的多张样本分割图片；
将所述样本分割图片输入原始生成模型中，获得合成图片；其中，所述原始生成模型中包括编码器、解码器和反编码器，所述编码器用于接收所述样本分...
【专利技术属性】
技术研发人员：康夏群，丰生日，刘丽珏，李仪，穆阳，蔡昱峰，刘香永，彭伟雄，
申请(专利权)人：湖南自兴智慧医疗科技有限公司，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。