一种基于多尺度特征融合的染色体分裂相定位与排序的方法技术

本发明专利技术公开了一种基于多尺度特征融合的染色体分裂相定位与排序的方法，包括如下步骤：步骤S1：开始；步骤S2：获取训练集；步骤S3：得到增强过的染色体样本图像；步骤S4：获取输入张量A；步骤S5：训练分裂相定位模型；步骤S6：最终获取用于模型训练的训练集；步骤S7：最终获取用于训练染色体分裂相排序模型的输入张量B；步骤S8：输出分裂相扫描结果；步骤S9：判断是否结束分裂相扫描，若否则跳到步骤S2，否则结束。本发明专利技术通过训练深度学习模型对分割出的分裂相图像进行特征提取和排序能够大大提升排序效果，通过将分割出的分裂相图像拼接成一个张量来进行并行计算，能够进一步减小额外模型计算对算法检测速度带来的影响。型计算对算法检测速度带来的影响。型计算对算法检测速度带来的影响。

【技术实现步骤摘要】
一种基于多尺度特征融合的染色体分裂相定位与排序的方法


[0001]本专利技术属于一种基于多尺度特征融合的染色体分裂相定位与排序的方法。

技术介绍

[0002]染色体核型分析是以染色体中期分裂相为研究对象，借助显带技术并充分利用染色体的形态特征和纹理特征来对染色体进行排序和编号，从而完成对染色体的分析，核型分析为细胞遗传分析研究提供重要的依据。利用显微镜自动扫描平台进行染色体核型的自动分析，关键是能够在通过计算机来完成染色体分裂相的定位，并对所定位提取的分裂相质量进行排序，从而获得更有研究价值的分裂相位置，然后根据具体位置分割出分裂相图像，从而进行相应的核型分析。
[0003]传统的染色体分裂相寻找任务通常利用人工在显微镜下寻找定位，并调节显微镜放大倍数，从而确认分裂相的质量，该方法会耗费大量人力，同时检测的准确程度也会随着检测人员的匹配程度而下降。利用计算机辅助染色体分裂相的定位与质量排序是现在最流行的方式，利用显微镜相机将样本图像扫描置计算机，并利用图像分析技术进行分裂相的筛选，能够在一定程度上大大减轻医生的负担。但利用传统的计算机图像分析算法进行染色体分裂相特征的提取、聚类、分类等工作通常在图像杂质较多，背景较复杂的情况下容易造成失效，算法的鲁棒性较差。
[0004]随着深度学习的快速发展，利用神经网络进行医学图像分析已经成为一个重要的研究方向。目前流行的深度学习图像分析方法通常利用简单线性网络或者卷积神经网络来进行建模和分析，这些方法通常利用多层神经网络提取图像的抽象语义特征来完成图像的分类，但是对于检测图像中体积较小的目标时难以达到很好的效果。

技术实现思路

[0005]本专利技术的目的是克服现有技术中的不足，提供一种基于多尺度特征融合的染色体分裂相定位与排序的方法。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于多尺度特征融合的染色体分裂相定位与排序的方法，包括如下步骤：
[0008]步骤S1：开始；
[0009]步骤S2：显微镜扫描读取待检测的染色体样本图像，通过人工标注出所扫描样本图像中的染色体分裂相目标，并对标记好的标签进行多轮检查，防止错误标记对模型训练带来的负面影响，获取用于模型训练的训练集；
[0010]步骤S3：每次取出训练集中的一部分染色体样本图像进行数据增强，随机选取四张图像进行拼接，并在拼接所获得的图像上随机复制一定比例的染色体分裂相目标，得到增强过的染色体样本图像；
[0011]步骤S4：将增强过的染色体样本图像进行归一化处理，从而获取输入分裂相定位模型的输入张量A；
[0012]步骤S5：将输入张量A输入到分裂相定位模型中进行计算得到输出张量 C，从而预测分裂相目标位置，然后得到定位结果，然后训练分裂相定位模型；
[0013]步骤S6：根据定位结果置裁剪出染色体分裂相图像，利用人工对该染色体分裂相图像进行等级评定，再次获取标签，经过多轮的标签检查，防止错误标记对模型训练带来的负面影响，最终获取用于模型训练的训练集；
[0014]步骤S7：利用训练样本增强算法对训练集进行随机反转和旋转，并进行 Z
‑
Score标准化处理，选取训练集中的一部分染色体分裂相图像将尺寸放缩到96
×
96，拼接预处理过后的染色体分裂相图像为一个张量，最终获取用于训练染色体分裂相排序模型的输入张量B；
[0015]步骤S8：将输入张量B输入到分裂相排序模型中计算得到输出张量H,然后训练分裂相排序模型，与此同时，利用该输出张量H预测所有输入分裂相图像的等级类别归类，并根据等级对所有的分裂相样本进行排序，有限输出质量等级更高的分裂相目标，从而输出分裂相扫描结果；
[0016]步骤S9：判断是否结束分裂相扫描，若否则跳到步骤S2，否则结束。
[0017]作为优选，归一化处理的计算公式为f(x，y)表示染色体样本图像中位于坐标(x，y)的像素值， M表示染色体样本图像中的最小像素值，R表示染色体样本图像的像素值范围，p(x，y)表示归一化处理之后的染色体样本图像位于坐标(x，y)处的像素值。
[0018]作为优选，所述训练分裂相定位模型的流程如下：
[0019]步骤C1：计算目标损失值L
obj
和边界框损失值L
box
，所述
[0020]述p表示分裂相定位模型预测边界框内存在分裂相的概率，所述z表示对应位置实际情况下是否存在边界框，z＝0表示不存在，z＝1表示存在，所述α表示为存在分裂相(z＝1)和不存在分裂相(z＝0)的平衡权重参数，所述β用来减小易分类样本对总体损失值的贡献，所述
[0021]所述Dc表示两边界框中心点的距离，所述Dp表示预测边界框与实际边界框的最小闭包区域的对角线距离，所述A 表示预测边界框与实际边界框的交并比，所述γ用来衡量两个边界框长宽比的相似性，
[0022]所述所述w表示实际边界框的宽，所述h 表示实际边界框的高，所述wp表示预测边界框的宽，所述hp表示预测边界框的高；
[0023]步骤C2：计算总损失值loss
a
，所述loss
a
＝L
obj
+λL
box
，λ为平衡两种损失值在总损失值中的占比；
[0024]步骤C3：对总损失值loss
a
进行反向求导更新优化分裂相定位模型的网络权重参数，至此完成一轮模型的训练，记录总损失值loss
a
；
[0025]步骤C4：重复步骤C1，根据所记录的总损失值loss
a
绘制损失曲线，观察损失曲线，
当分裂相定位模型的总损失值loss
a
收敛时停止训练，从而完成训练分裂相定位模型。
[0026]所述Z
‑
Score标准化处理的公式为
[0027][0028]所述f(x,y)表示输入图像位于坐标(x,y)的像素值，所述n(x,y)表示标准化处理过后的图像位于坐标(x,y)的像素值，σ表示数据集的像素均值，所述μ表示数据集的像素方差。
[0029]作为优选，所述训练分裂相排序模型的流程如下：
[0030]步骤q1：计算P
i
，所述向量Z为输出张量H，P
i
表示向量
[0031]P第i个元素的值，Z
i
表示向量Z第i个元素的值；
[0032]步骤q2：计算模型的损失值lossb，所述其中n＝6表示期望的染色体分裂相质量等级类别个数，所述向量Y表示通过人工标注的标签，它表示该分裂相实际的质量等级，Y
i
表示向量Y第i个元素的值；
[0033]步骤q3：对模型的损失值lossb进行反向求导更新优化分裂相排序模型的网络权重参数，至此完成一轮模型的训练，记录模型的损失值lossb；
[0034]步骤q4：重复步骤q3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征融合的染色体分裂相定位与排序的方法，其特征在于，包括如下步骤：步骤S1：开始；步骤S2：显微镜扫描读取待检测的染色体样本图像，通过人工标注出所扫描样本图像中的染色体分裂相目标，并对标记好的标签进行多轮检查，防止错误标记对模型训练带来的负面影响，获取用于模型训练的训练集；步骤S3：每次取出训练集中的一部分染色体样本图像进行数据增强，随机选取四张图像进行拼接，并在拼接所获得的图像上随机复制一定比例的染色体分裂相目标，得到增强过的染色体样本图像；步骤S4：将增强过的染色体样本图像进行归一化处理，从而获取输入分裂相定位模型的输入张量A；步骤S5：将输入张量A输入到分裂相定位模型中进行计算得到输出张量C，从而预测分裂相目标位置，然后得到定位结果，然后训练分裂相定位模型；步骤S6：根据定位结果置裁剪出染色体分裂相图像，利用人工对该染色体分裂相图像进行等级评定，再次获取标签，经过多轮的标签检查，防止错误标记对模型训练带来的负面影响，最终获取用于模型训练的训练集；步骤S7：利用训练样本增强算法对训练集进行随机反转和旋转，并进行Z
‑
Score标准化处理，选取训练集中的一部分染色体分裂相图像将尺寸放缩到96
×
96，拼接预处理过后的染色体分裂相图像为一个张量，最终获取用于训练染色体分裂相排序模型的输入张量B；步骤S8：将输入张量B输入到分裂相排序模型中计算得到输出张量H,然后训练分裂相排序模型，与此同时利用该输出张量H预测所有输入分裂相图像的等级类别归类，并根据等级对所有的分裂相样本进行排序，有限输出质量等级更高的分裂相目标，从而输出分裂相扫描结果；步骤S9：判断是否结束分裂相扫描，若否则跳到步骤S2，否则结束。2.根据权利要求1所述一种基于多尺度特征融合的染色体分裂相定位与排序的方法，其特征在于，所述归一化处理的计算公式为f(x,y)表示染色体样本图像中位于坐标(x,y)的像素值，M表示染色体样本图像中的最小像素值，R表示染色体样本图像的像素值范围，p(x,y)表示归一化处理之后的染色体样本图像位于坐标(x,y)处的像素值。3.根据权利要求1所述一种基于多尺度特征融合的染色体分裂相定位与排序的方法，其特征在于，所述训练分裂相定位模型的流程如下：步骤C1：计算目标损失值L
obj
和边界框损失值L
box
，所述所述p表示分裂相定位模型预测边界框内存在分裂相的概率，所述z表示对应位置实际情况下是否存在边界框，z＝0表示不存在，z＝1表示存在,所述α表示为存在分裂相(z＝1)和不存在分裂相(z＝0)的平衡权重参数，所述β用来
减小易分类样本对总体损失值的贡献，所述所述D
c
表示两边界框中心点的距离，所述D
p
表示预测边界框与实际边界框的最小闭包区域的对角线距离，所述A表示预测边界框与实际边界框的交并比，所述γ用来衡量两个边界框长宽比的相似性，所述所述w表示实际边界框的宽，所述h表示实际边界框的高，所述wp表示预测边界框的宽，所述hp表示预测边界框的高；步骤C2：计算总损失值loss
a
，所述，...

【专利技术属性】
技术研发人员：崔玉峰，许威，
申请(专利权)人：上海北昂医药科技股份有限公司，
类型：发明
国别省市：