基于图卷积神经网络的染色体分割识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种基于图卷积神经网络的染色体分割识别方法、装置及电子设备。所述方法包括：提供染色体中期图的各染色体子图及一基于Unet神经网络的染色体分割识别模型；将各染色体子图输入编码器及交并比计算单元，编码器根据各染色体子图进行编码处理，得到特征向量，交并比计算单元将各染色体子图设定为染色体中期图内的矩形框，计算得到各个矩形框相互间的交并比；邻接矩阵输入单元根据交并比生成邻接矩阵；图卷积单元根据邻接矩阵对特征向量进行图卷积；解码器及分类器对图卷积后的特征向量分别进行解码处理和分类处理，得到各染色体的轮廓掩膜及编号，能够提取染色体间的相互关系，使染色体分割识别模型更好地分割识别染色体重叠区域。色体重叠区域。色体重叠区域。

【技术实现步骤摘要】
基于图卷积神经网络的染色体分割识别方法、装置及电子设备


[0001]本专利技术涉及智能医疗
，尤其涉及一种基于图卷积神经网络的染色体分割识别方法、装置及电子设备。

技术介绍

[0002]在染色体的核型分析工作中，医生所做的主要工作便是勾画出染色体的轮廓并且识别其类别，即该染色体为是几号染色体。近年来，有许多研究者尝试使用深度卷积神经网络来对染色体中期图做自动分割和识别，并研究得到模型准确率上往往都能达到了90％以上的水平，但在实际应用中，使用这些方法训练的模型往往不尽人意，特别是在染色体的编号识别上较易出现错误。通过与专家沟通发现，医生在对某一条染色体进行核型分析时，不会只关注这一条染色体，而是会结合整张中期图上的所有染色体的特征，包括长度、形状、条带水平等。对于极难判断的染色体，医生甚至会根据当前已经确定的信息，使用排除法进行判别。而这种全局性的、考虑到了全图染色体之间联系的思想，正是普遍的深度卷积网络所欠缺的。

技术实现思路

[0003]本专利技术的目的在于提供一种基于图卷积神经网络的染色体分割识别方法、装置及电子设备，能够提取染色体间的相互关系，使染色体分割识别模型能够更好地分割及识别一些较难的染色体重叠区域，能较好地减轻医生的识图压力。
[0004]为实现上述目的，本专利技术提供一种基于图卷积神经网络的染色体分割识别方法，包括：
[0005]步骤S1、提供从一染色体中期图中获得的所述染色体中期图的各染色体子图及一基于Unet神经网络的染色体分割识别模型，所述染色体分割识别模型包括：编码器、与所述编码器相连的解码器、与所述编码器及解码器相连的图卷积单元、与所述解码器相连的分类器、与所述图卷积单元相连的邻接矩阵输入单元以及与所述邻接矩阵输入单元相连的交并比计算单元；
[0006]步骤S2、将各染色体子图输入所述编码器及交并比计算单元，所述编码器根据所述各染色体子图进行编码处理，得到特征向量，所述交并比计算单元将各染色体子图设定为染色体中期图内的矩形框，计算得到各个矩形框相互间的交并比；
[0007]步骤S3、所述邻接矩阵输入单元根据步骤S2中计算得到的交并比生成邻接矩阵；
[0008]步骤S4、所述图卷积单元根据步骤S3中生成的邻接矩阵对特征向量进行图卷积；
[0009]步骤S5、所述解码器对图卷积后的特征向量进行解码处理，得到所述染色体中期图中的各染色体的轮廓掩膜，所述分类分类器对所述图卷积后的特征向量进行分类处理，得到所述染色体中期图中的各染色体的编号。
[0010]可选地，所述步骤S2中交并比计算单元计算各个矩形框相互间的交并比的公式
为：
[0011]IOU＝X∩Y/X∪Y；
[0012]其中，IOU表示两个矩形框之间的交并比，X和Y分别代表两个染色体子图在染色体中期图中的矩形框。
[0013]可选地，所述步骤S3，所述邻接矩阵的维度为N*N，其中，N代表所述染色体中期图内的染色体的条数，所述邻接矩阵上的任一元素的表示为A
ij
，所述A
ij
代表第i个染色体和第j个染色体在染色体中期图中的矩形框之间的交并比。
[0014]可选地，所述步骤S4对所述第一特征向量进行图卷积的公式为：
[0015][0016]其中，H为特征向量，A为邻接矩阵，D为邻接矩阵的度矩阵，W是图卷积的参数矩阵。
[0017]可选地，所述步骤S4中，在图卷积之前，需要将邻接矩阵加上一个单位矩阵，使得不同染色体间的图卷积通道都能建立联系。
[0018]可选地，所述步骤S5中，所述分类器先对图卷积后的特征向量使用全局池化，然后使用全连接层进行分类，得到所述染色体中期图中的各染色体的编号。
[0019]可选地，所述染色体子图的分辨率为128
×
128。
[0020]可选地，所述编码器与解码器之间通过跳跃连接相连。
[0021]本专利技术还提供一种基于图卷积神经网络的染色体分割识别装置，采用上述的方法实现。
[0022]本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0023]本专利技术的有益效果：本专利技术提供一种基于图卷积神经网络的染色体分割识别方法、装置及电子设备。所述方法包括：提供从一染色体中期图中获得的所述染色体中期图的各染色体子图及一基于Unet神经网络的染色体分割识别模型，所述染色体分割识别模型包括：编码器、与所述编码器相连的解码器、与所述编码器及解码器相连的图卷积单元、与所述解码器相连的分类器、与所述图卷积单元相连的邻接矩阵输入单元以及与所述邻接矩阵输入单元相连的交并比计算单元；将各染色体子图输入所述编码器及交并比计算单元，所述编码器根据所述各染色体子图进行编码处理，得到特征向量，所述交并比计算单元将各染色体子图设定为染色体中期图内的矩形框，计算得到各个矩形框相互间的交并比；所述邻接矩阵输入单元根据步骤S2中计算得到的交并比生成邻接矩阵；所述图卷积单元根据步骤S3中生成的邻接矩阵对特征向量进行图卷积；所述解码器对图卷积后的特征向量进行解码处理，得到所述染色体中期图中的各染色体的轮廓掩膜，所述分类分类器对所述图卷积后的特征向量进行分类处理，得到所述染色体中期图中的各染色体的编号，能够提取染色体间的相互关系，使染色体分割识别模型能够更好地分割及识别一些较难的染色体重叠区域，能较好地减轻医生的识图压力。
附图说明
[0024]为了能更进一步了解本专利技术的特征以及
技术实现思路
，请参阅以下有关本专利技术的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本专利技术加以限制。
[0025]附图中，
[0026]图1为本专利技术的基于图卷积神经网络的染色体分割识别方法的流程图；
[0027]图2为本专利技术的基于图卷积神经网络的染色体分割识别方法中染色体分割识别模型的示意图；
[0028]图3为本专利技术的基于图卷积神经网络的染色体分割识别方法中染色体分割识别模型的输入示意图；
[0029]图4为本专利技术的基于图卷积神经网络的染色体分割识别方法中染色体分割识别模型的输出示意图。
具体实施方式
[0030]为更进一步阐述本专利技术所采取的技术手段及其效果，以下结合本专利技术的优选实施例及其附图进行详细描述。
[0031]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的染色体分割识别方法，其特征在于，包括如下步骤：步骤S1、提供从一染色体中期图中获得的所述染色体中期图的各染色体子图及一基于Unet神经网络的染色体分割识别模型，所述染色体分割识别模型包括：编码器、与所述编码器相连的解码器、与所述编码器及解码器相连的图卷积单元、与所述解码器相连的分类器、与所述图卷积单元相连的邻接矩阵输入单元以及与所述邻接矩阵输入单元相连的交并比计算单元；步骤S2、将各染色体子图输入所述编码器及交并比计算单元，所述编码器根据所述各染色体子图进行编码处理，得到特征向量，所述交并比计算单元将各染色体子图设定为染色体中期图内的矩形框，计算得到各个矩形框相互间的交并比；步骤S3、所述邻接矩阵输入单元根据步骤S2中计算得到的交并比生成邻接矩阵；步骤S4、所述图卷积单元根据步骤S3中生成的邻接矩阵对特征向量进行图卷积；步骤S5、所述解码器对图卷积后的特征向量进行解码处理，得到所述染色体中期图中的各染色体的轮廓掩膜，所述分类分类器对所述图卷积后的特征向量进行分类处理，得到所述染色体中期图中的各染色体的编号。2.如权利要求1所述的基于图卷积神经网络的染色体分割识别方法，其特征在于，所述步骤S2中交并比计算单元计算各个矩形框相互间的交并比的公式为：IOU＝X∩Y/X∪Y；其中，IOU表示两个矩形框之间的交并比，X和Y分别代表两个染色体子图在染色体中期图中的矩形框。3.如权利要求1所述的基于图卷积神经网络的染色体分割识别方法，其特征在于，所述步骤S3，所述邻接矩阵的维度为N*N，其中，N代表所述染色...

【专利技术属性】
技术研发人员：卢沁阳，穆阳，蔡昱峰，彭伟雄，刘香永，
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：