家系图的识别方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请提供了一种家系图的识别方法、装置、设备和计算机可读存储介质，方法包括获取待识别图像；将待识别图像输入至迁移学习训练的第一卷积神经网络模型，输出图像类型；当图像类型为家系图类型时，将待识别图像分别输入至迁移学习训练的第二卷积神经网络模型和第三卷积神经网络模型，以输出家系图中个体特征和世代个体的亲缘关系线；根据个体特征和亲缘关系线，结合家系图的绘制规则解析出最终的家系树结构。该方法对收集的家系图进行标记，根据迁移学习原理，分别训练第一、二、三卷积神经网络模型，实现家系图的高识别率。同时该方法训练效率高，能够适应实际应用中对增量学习的要求。要求。要求。

【技术实现步骤摘要】
家系图的识别方法、装置、设备和计算机可读存储介质


[0001]本申请涉及图像识别与处理
，具体涉及一种家系图的识别方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]家系图(pedigree)是医学遗传学中用来梳理与分析病人家庭背景情况的常用工具，它可以反映先证者家庭中与其健康问题有关的各方面信息，主要包括4个方面：家庭结构、人口统计学数据、家庭生活事件和健康问题。另外，通过家系图中患者的遗传关系可以判断单基因遗传病的遗传方式，例如常染色体显性遗传病、常染色体隐性遗传病、性连锁显性遗传病以及性连锁隐性遗传病。随着疾病基因定位的广泛开展，研究人员常需要借助家系图来用作资料的收集与保存，那么对家系图进行识别就显得尤为重要。
[0003]目前在家系图识别中，主要依赖于专业人员的经验去判断，这种方式费时费力，通常会带有主观意识，对于缺乏经验的人而言，很有可能会发生误判，即使是训练有素的医学工作者也会得到不同的结果。

技术实现思路

[0004]有鉴于此，本申请实施例中提供了一种家系图的识别方法、装置、设备和计算机可读存储介质。
[0005]第一方面，本申请实施例提供了一种家系图的识别方法，该方法包括：
[0006]获取待识别图像；
[0007]将所述待识别图像输入至迁移学习训练的第一卷积神经网络模型，输出图像类型；
[0008]当所述图像类型为家系图类型时，将所述待识别图像分别输入经过迁移学习训练的第二卷积神经网络模型和第三卷积神经网络模型，以输出个体特征和亲缘关系线；
[0009]根据所述个体特征和所述亲缘关系线建立家系树。
[0010]第二方面，本申请实施例提供了一种家系图的识别装置，该装置包括：
[0011]待识别图像获取模块，用于获取待识别图像；
[0012]图像类型输出模块，用于将所述待识别图像输入至迁移学习训练的第一卷积神经网络模型，输出图像类型；
[0013]特征及关系线输出模块，用于当所述图像类型为家系图类型时，将所述待识别图像分别输入至迁移学习训练的第二卷积神经网络模型和第三卷积神经网络模型，以输出个体特征和亲缘关系线；
[0014]家系树建立模块，用于根据所述个体特征和所述亲缘关系线建立家系树。
[0015]第三方面，本申请实施例提供了一种终端设备，包括：存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行上述第一方面提供
的家系图的识别方法。
[0016]第四方面，本申请实施例提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，程序代码可被处理器调用执行上述第一方面提供的家系图的识别方法。本申请实施例提供的家系图的识别方法、装置、设备和计算机可读存储介质，首先获取待识别图像；然后将待识别图像输入至迁移学习训练的第一卷积神经网络模型，输出图像类型；当图像类型为家系图类型时，将待识别图像分别输入至迁移学习训练的第二卷积神经网络模型和第三卷积神经网络模型，以输出个体特征和亲缘关系线；最后根据个体特征和亲缘关系线建立家系树。该方法对收集的家系图进行标记，根据迁移学习原理，分别训练第一、二、三卷积神经网络模型，实现家系图的高识别率。同时该方法训练效率高，能够适应实际应用中对增量学习的要求。
附图说明
[0017]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0018]图1为本申请实施例提供的家系图的识别方法的应用场景示意图；
[0019]图2为本申请一个实施例提供的家系图识别方法的流程示意图；
[0020]图3为本申请一个实施例提供的个体特征标签的示意图；
[0021]图4为本申请一个实施例提供的个体特征标签和亲缘关系线标签的位置信息示意图；
[0022]图5为本申请一个实施例提供的第二卷积神经网络模型训练过程中mAP和Loss值的变化图；
[0023]图6为本申请一个实施例提供的亲缘关系线标签的示意图；
[0024]图7为本申请一个实施例提供的第三卷积神经网络模型所需的亲缘关系线标签的结构示意图；
[0025]图8为本申请一个实施例提供的第三卷积神经网络模型训练过程中mAP和Loss值的变化图；
[0026]图9为本申请一个实施例提供的家系树的示意图；
[0027]图10为本申请一个实施例提供的家系图的识别装置的结构图；
[0028]图11为本申请一个实施例中提供的终端设备的结构示意图；
[0029]图12为本申请一个实施例中提供的计算机可读存储介质的结构示意图。
具体实施方式
[0030]下面将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，本领域普通技术人员在没有做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。
[0031]为了更详细说明本申请，下面结合附图对本申请提供的一种家系图的识别方法、
装置、终端设备和计算机存储介质，进行具体地描述。
[0032]请参考图1，图1示出了本申请实施例提供的家系图的识别方法的应用场景的示意图，该应用场景包括本申请实施例提供的终端设备100，终端设备100可以是具有显示屏的各种电子设备(如102、104、106和108的结构图)，包括但不限于智能手机和计算机设备，其中计算机设备可以是台式计算机、便携式计算机、膝上型计算机、平板电脑等设备中的至少一种。用户对终端设备100进行操作，发出家系图的识别操作指示，终端设备100执行本申请的家系图的识别方法，具体过程请参照家系图的识别方法实施例。
[0033]其次，终端设备100可以泛指多个终端设备中的一个，本实施例仅以终端设备100来举例说明。本领域技术人员可以知晓，上述终端设备的数量可以更多或更少。比如上述终端设备可以仅为几个，或者上述终端设备为几十个或几百个，或者更多数量，本申请实施例对终端设备的数量和类型不加以限定。终端设备100可以用来执行本申请实施例中提供的一种家系图的识别方法。
[0034]在一种可选的实施方式中，该应用场景包括本申请实施例提供的终端设备100之外，还可以包括服务器，其中服务器与终端设备之间设置有网络。网络用于在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0035]应该理解，终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器可以是多个服务器组成的服务器集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种家系图的识别方法，其特征在于，所述方法包括：获取待识别图像；将所述待识别图像输入至迁移学习训练的第一卷积神经网络模型，输出图像类型；当所述图像类型为家系图类型时，将所述待识别图像分别输入至迁移学习训练的第二卷积神经网络模型和第三卷积神经网络模型，以输出个体特征和亲缘关系线；根据所述个体特征和所述亲缘关系线建立家系树。2.根据权利要求1所述的方法，其特征在于，训练所述第一卷积神经网络模型包括：获取图像样本；其中所述图像样本包括家系图和非家系图；采用第一图片类型标签对所述家系图进行标记，采用第二图片类型标签对所述非家系图进行标记；将标记后的家系图和非家系图输入至所述第一卷积神经网络模型，计算第一损失函数，更新神经网络参数直至收敛，以得到训练后的第一卷积神经网络模型。3.根据权利要求1所述的方法，其特征在于，训练所述第二卷积神经网络模型包括：获取家系图样本；采用个体特征标签对所述家系图样本进行标记；将标记后的家系图样本输入所述第二卷积神经网络模型，计算第二损失函数，更新参数直至收敛，以得到训练后的第二卷积神经网络模型。4.根据权利要求1所述的方法，其特征在于，训练所述第三卷积神经网络模型包括：获取家系图样本；采用亲缘关系线标签对所述家系图样本进行标记；将标记后的家系图样本输入所述第三卷积神经网络模型，计算第三损失函数，更新参数直至收敛，以得到训练后的第三卷积神经网络模型。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述根据所述个体特征和所述亲缘关系线建立家系树，包括：根据所述个体特征识别出世代个体以及世代个体分布情况；根据所述亲缘关系线识别出所述世代个体的配偶关系、同胞关系...

【专利技术属性】
技术研发人员：彭继光，王伟凤，孙隽，彭智宇，
申请(专利权)人：深圳华大基因股份有限公司，
类型：发明
国别省市：