一种染色体散型图像自动分割方法技术

本发明专利技术提供了一种染色体散型图像自动分割方法，包括：S1、获取染色体散型图像的连通域二值化图像；S2、对连通域二值化图像进行分割，得到染色体散型图像的连通域图像；S3、对连通域图像进行二分类，分离出黏连染色体图像和单条染色体图像；S4、将分离出的黏连染色体图像输入深度学习分割网络预训练模型中进行二次分割，得到染色体核型图像。本发明专利技术相对于现有的染色体散型图像分割方法，先使用传统算法实现大部分染色体的分割，再使用图像二分类进一步对分类结果是黏连染色体再次分割，实现染色体分割的多级精细操作，分割过程更加稳定，同时本发明专利技术的分割方法只需要标注黏连的染色体，不需要标注大量数据，节约了人工标注成本。节约了人工标注成本。节约了人工标注成本。

【技术实现步骤摘要】
一种染色体散型图像自动分割方法


[0001]本专利技术属于染色体分析
，具体涉及一种染色体散型图像自动分割方法。

技术介绍

[0002]随着计算机视觉的发展，基于计算机视觉的医疗图像处理为医生进行快速医疗诊断带来助力。染色体核型图像(图6)对于医生判断病情非常重要。然而，通过医学处理手段获得的仅是染色体散型图像(图5)，这些图像的染色体散乱、随机、重叠的地散布。染色体散型图像无法直观的给医生提供病人染色体是否存在结构或者数目异常等问题。因此，需要将获取的染色体散型图像通过二次处理得到核型染色体图像，这个过程操作繁琐，需要专业医护人员仔细观察操作，耗时耗力，同时还存在着分类准确率不高的问题。

技术实现思路

[0003]本专利技术为了解决从染色体散型图像到核型染色体图像处理单条染色体图像获取的问题，提出了一种染色体散型图像自动分割的方法，该方法利用计算机视觉处理算法，可以实现快速准确处理染色体散型图像，得到能够有效的实现染色体图像。为实现上述目的，本专利技术采用以下具体技术方案：
[0004]一种染色体散型图像自动分割方法，包括：
[0005]S1、获取染色体散型图像的连通域二值化图像；
[0006]S2、对连通域二值化图像进行分割，得到染色体散型图像的连通域图像，连通域图像包括黏连染色体图像和单条染色体图像；
[0007]S3、对连通域图像进行二分类，分离出黏连染色体图像和单条染色体图像；
[0008]S4、将分离出的黏连染色体图像输入深度学习分割网络预训练模型中进行二次分割，得到染色体核型图像。
[0009]优选地，步骤S1包括以下步骤：
[0010]S101、对染色体散型图像进行中值滤波处理，去除噪声；
[0011]S102、进行二值化、膨胀、腐蚀的操作，获得染色体散型图像的连通域二值化图像。
[0012]优选地，步骤S2包括以下步骤：
[0013]S201、获取连通域二值化图像中的连通域；
[0014]S202、去掉连通域二值化图像中非染色体的区域，获取连通域图像的外接矩；
[0015]S203、利用连通域图像的外接矩获得连通域图像。
[0016]优选地，通过构建权重卷积神经网络模型对连通域图像进行二分类。
[0017]优选地，权重卷积神经网络模型的构建包括以下步骤：
[0018]S301、对训练数据集中的黏连染色体进行标注，获得黏连染色体分割训练数据集和分类数据集；
[0019]S302、通过黏连染色体分割训练数据集构建权重卷积神经网络模型。
[0020]优选地，深度学习分割网络预训练模型的构建包括以下步骤：
[0021]S401、将分类数据集进行归一化；
[0022]S402、将归一化后的分类数据集输入到深度学习分割网络进行训练，得到佳深度学习分割网络预训练模型。
[0023]本专利技术能够取得以下技术效果：
[0024]1、先使用传统算法实现大部分染色体的分割，再使用图像二分类进一步对分类结果是黏连的染色体再次分割，实现染色体分割的多级精细操作，分割过程更加稳定。
[0025]2、本专利技术的分割方法只需要标注黏连的染色体，不需要标注大量数据，节约了人工标注成本。
附图说明
[0026]图1是本专利技术一个实施例的一种染色体散型图像自动分割方法的流程图；
[0027]图2是本专利技术一个实施例的染色体散型图像；
[0028]图3是图2的二值化效果图；
[0029]图4是本专利技术一个实施例的利用传统算法分割后的连通域图像；
[0030]图5是
技术介绍
中的染色体散型图像；
[0031]图6是
技术介绍
中的染色体核型图像；
[0032]图7是本专利技术另一个实施例的一种染色体散型图像自动分割方法的流程图。
具体实施方式
[0033]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，而不构成对本专利技术的限制。
[0034]本专利技术的目的是提供一种染色体散型图像自动分割方法，首先使用传统的图像处理算法，分割开大部分染色体图像，当使用传统图像算法获取的染色体图像发生粘连，难以单独使用传统方法进行分割时，采用深度学习的方法对粘连的图像进行分割。下面将对本专利技术提供的一种染色体散型图像自动分割方法，通过具体实施例来进行详细说明。
[0035]参见图1所示的流程图，本专利技术具体实施方式所提供的染色体散型图像自动分割方法包括步骤：。
[0036]S1、获取染色体散型图像的连通域二值化图像；
[0037]S2、对连通域二值化图像进行分割，得到染色体散型图像的连通域图像；
[0038]S3、对连通域图像进行二分类，分离出黏连染色体图像和单条染色体图像；
[0039]S4、将分离出的黏连染色体图像输入深度学习分割网络预训练模型中进行二次分割，得到染色体核型图像。
[0040]本专利技术具体实施方式所提供的染色体散型图像自动分割方法先将染色体散型图图像中的大部分染色体分割开，得到大部分的单条染色体图像和少部分的黏连染色体图像，再进一步的对少部分的黏连染色体图像进行分割，最终得到全部的单条染色体图像。
[0041]本专利技术具体实施方式所提供的染色体散型图像自动分割方法在传统图像处理方法的基础上，创造性的将深度学习技术融入，通过构建深度学习分割网络预训练模型，进一步对传统图像处理方法中无法分割的黏连染色体进行分割。
[0042]在本专利技术的一个优选实施例中，步骤S1获取染色体散型图像的连通域二值化图像具体包括：利用传统算法对染色体散型图像进行处理，获取染色体散型图像的连通域图像。
[0043]具体的，输入如图2所示的染色体散型图像后，首先对其进行中值滤波处理，去除图像噪声；再依次进行二值化、膨胀、腐蚀的操作，获得如图3所示的连通域二值化图像，从图中可以看出，经过滤波、二值化、膨胀、腐蚀操作后获得的二值化图像更加清晰。
[0044]进一步的，获取连通域二值化图像中的各个连通域，再去掉连通域二值化图像中非染色体的区域，得到连通域图像的外接矩，利用连通域图像的外接矩获得染色体散型图像的各个连通域图像，具体的，如图4所示，获得的连通域图像分别均包括黏连染色体图像和单条染色体图像两类。
[0045]S3、对连通域图像进行二分类，分离出黏连染色体图像和单条染色体图像；
[0046]在本专利技术的一个优选实施例中，通过构建权重卷积神经网络模型对连通域图像进行二分类，权重卷积神经网络模型的构建方法如下：
[0047]采集200张染色体散型图像作为训练数据集，使用如S1和S2所述的方法得到200张染色体散型图像的单条染色体图像和黏连染色体图像；通过利用标注软件对黏连染色体进行标注，获得黏连染色体分割训练数据集和分类数据集。
[0048]利用黏连染色体分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种染色体散型图像自动分割方法，其特征在于，包括：S1、获取染色体散型图像的连通域二值化图像；S2、对所述连通域二值化图像进行分割，得到所述染色体散型图像的连通域图像，所述连通域图像包括黏连染色体图像和单条染色体图像；S3、对所述连通域图像进行二分类，分离出所述黏连染色体图像和所述单条染色体图像；S4、将分离出的所述黏连染色体图像输入深度学习分割网络预训练模型中进行二次分割，得到染色体核型图像。2.根据权利要求1所述的染色体散型图像自动分割方法，其特征在于，步骤S1包括以下步骤：S101、对所述染色体散型图像进行中值滤波处理，去除噪声；S102、进行二值化、膨胀、腐蚀的操作，获得所述染色体散型图像的连通域二值化图像。3.根据权利要求1所述的染色体散型图像自动分割方法，其特征在于，步骤S2包括以下步骤：S201、获取所述连通域二值化图像中的连通域；S202、去掉所...

【专利技术属性】
技术研发人员：高文，魏花，刘长吉，朱明，郝志成，刘睿智，张红国，杨潇，
申请(专利权)人：吉林大学第一医院，
类型：发明
国别省市：