染色体分类方法及系统技术方案

本申请涉及染色体核型分析技术，公开了一种染色体分类方法及系统。该方法包括获取待分类染色体图像；利用多尺度特征提取网络提取该染色体图像的N个尺度特征，N≥2，该N个尺度特征为按尺度大小降序排列；将该N个尺度特征并行输入到对应的N个平均池化层；将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。本申请的实施方式的分类结果准确度高，分类精度和适应性好，特别在弯曲染色体上效果佳。佳。佳。

【技术实现步骤摘要】
染色体分类方法及系统


[0001]本申请涉及染色体核型分析技术，特别涉及染色体分类技术。

技术介绍

[0002]染色体核型分析是诊断由染色体异常引起的疾病的重要方法。这些异常会导致遗传疾病，从而可能引发生殖问题(如不孕和流产)、先天畸形、智力障碍和其他症状等。为了获得患者的染色体核型，首先，细胞遗传学家需要使用特定的染色技术(如G染色法或Q染色法)对样本细胞进行采样。然后，在记录了染色的中期细胞的显微图像之后，细胞遗传学家需要从该显微图像中分割出所有染色体，并确定染色体类型和极性以产生核型图(类型是指染色体的数目，如1号染色体，2号染色体，3号染色体，
…
，X染色体和Y染色体，极性是指p臂朝上或q臂朝上)。最后，医生仔细检查核形图以确定是否存在染色体异常。如图1示出了G染色中期细胞的显微图像及相应的核型图的示例。核型分析已广泛应用于产前诊断、体外胚胎细胞遗传学分析和遗传病诊断。但到目前为止，核型分析的每个步骤仍然严重依赖于训练有素的操作员的细致努力。为了减轻医生的负担，许多研究尝试自动分类染色体类型。但是现有的染色体自动分类方法的分类结果准确度不高，分类准确度和适应性不够好，特别在弯曲染色体上效果较差。

技术实现思路

[0003]本申请的目的在于提供一种染色体分类方法及系统，分类结果准确度高，分类精度和适应性好，特别在弯曲染色体上效果佳。
[0004]本申请公开了一种染色体分类方法，包括：
[0005]获取待分类染色体图像；
[0006]利用多尺度特征提取网络提取所述染色体图像的N个尺度特征，N≥2，所述N个尺度特征为按尺度大小降序排列；
[0007]将所述N个尺度特征并行输入到对应的N个平均池化层；
[0008]将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。
[0009]在一个优选例中，N≥3；
[0010]所述将所述N个尺度特征并行输入到对应的N个平均池化层，进一步包括子步骤：将所述N个尺度特征中尺度最大的尺度特征输入到卷积神经子网以进行染色体关节检测，并将其余N
‑
1个尺度特征并行输入到对应的N
‑
1个平均池化层。
[0011]在一个优选例中，所述多尺度特征提取网络包括连续的N级结构，其中输出最高尺度的第一级设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中所述第一级中的卷积模块与所述其余各级中的卷积模块不同。
[0012]在一个优选例中，所述卷积模块包括四个卷积单元；
[0013]所述第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及所述其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32
×
2j，j≤当前级数。
[0014]在一个优选例中，所述卷积模块被配置为将第K
‑
1级输出的第K
‑
1个尺度特征进行卷积以形成第K级的第K个尺度特征，第K级的其他K
‑
1个尺度特征仅从第K
‑
1级中转移得到，2≤K≤N；
[0015]所述交换模块被配置为转换第K级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤K；
[0016]所述迁移模块被配置为从所述第一级开始，逐步迁移形成了其余N
‑
1级，在最后的第N级生成所述N个尺度特征。
[0017]在一个优选例中，还包括：
[0018]根据公式计算染色体类型和极性分类损失，其中O
t
、O
p
、y
t
、y
p
分别表示染色体的预测类型，预测极性，目标类型和目标极性的概率向量，λ1和λ2分别设为0.5和0.1；
[0019]根据公式计算染色体关节检测损失，其中表示第j个关节的标签A
j
中第(x,y)个元素，表示第j个关节H
j
的预测结果中第(x,y)个元素，T、σ分别设置为6和2，J设置为5，W、H分别表示图像的宽度和高度；
[0020]计算多任务网络的总损失，所述总损失等于所述染色体类型和极性分类损失和所述染色体关节检测损失之和，其中所述多任务分类网络包括所述N
‑
1个平均池化层、两个分类子网络和卷积神经子网；
[0021]根据所述多任务网络的总损失优化所述多任务网络的参数。
[0022]本申请还公开了一种染色体分类系统，包括：
[0023]多尺度特征提取网络,所述多尺度特征提取网络学习并提取待分类染色体图像的N个尺度特征，N≥2，所述N个尺度特征为按尺度大小降序排列；
[0024]多任务网络，包括顺次连接的N个并行平均池化层、并置单元、两个分类子网络，所述N个并行平均池化层对应输入所述N个尺度特征，所述并置单元将所述N个并行平均池化层的输出进行并置处理，并将并置结果分别输入到所述两个分类子网络，以进行染色体类型和极性分类。
[0025]在一个优选例中，N≥3；
[0026]所述多任务网络还包括卷积神经子网，所述卷积神经子网输入所述N个尺度特征中尺度最大的尺度特征以进行染色体关节检测，所述N
‑
1个并行平均池化层对应输入其余N
‑
1个尺度特征。
[0027]在一个优选例中，所述多尺度特征提取网络为Depp CNN；所述分类子网络为多层感知器。
[0028]本申请还公开了一种染色体分类系统包括：
[0029]存储器，用于存储计算机可执行指令；以及，
[0030]处理器，用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
[0031]本申请还公开了一种计算机可读存储介质所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
[0032]本申请实施方式中，至少包括以下优点和有益效果：
[0033]先利用多尺度特征提取网络提取所述染色体图像的按尺度大小降序排列的多个尺度特征，将各尺度特征按照排序并行输入到对应的平均池化层，将各平均池化层的输出的并置处理结果分别输入到两个分类子网络以进行染色体类型和极性分类，多尺度特征不仅在分类子网中得到融合，而且在交织网络中也得到融合，所得到的染色体分类结果准确度高，分类精度和适应性好。
[0034]进一步地，通过一个交织的多任务网络进行染色体分类和关节检测，根据任务性质，最高尺度特征用于关节检测以及其他尺度特征用于上述的染色体类型和极性分类，关节检测效果好，进一步提高了分类结果的准确度，由于借助检测到的关节，弯曲的染色体在检测到的关节的帮助下拉直，几乎不依赖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种染色体分类方法，其特征在于，包括：获取待分类染色体图像；利用多尺度特征提取网络提取所述染色体图像的N个尺度特征，N≥2，所述N个尺度特征为按尺度大小降序排列；将所述N个尺度特征并行输入到对应的N个平均池化层；将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。2.如权利要求1所述的染色体分类方法，其特征在于，N≥3；所述将所述N个尺度特征并行输入到对应的N个平均池化层，进一步包括子步骤：将所述N个尺度特征中尺度最大的尺度特征输入到卷积神经子网以进行染色体关节检测，并将其余N
‑
1个尺度特征并行输入到对应的N
‑
1个平均池化层。3.如权利要求1所述的染色体分类方法，其特征在于，所述多尺度特征提取网络包括连续的N级结构，其中输出最高尺度的第一级设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中所述第一级中的卷积模块与所述其余各级中的卷积模块不同。4.如权利要求1所述的染色体分类方法，其特征在于，所述卷积模块包括四个卷积单元；所述第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及所述其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32
×
2j，j≤当前级数。5.如权利要求3所述的染色体分类方法，其特征在于，所述卷积模块被配置为将第K
‑
1级输出的第K
‑
1个尺度特征进行卷积以形成第K级的第K个尺度特征，第K级的其他K
‑
1个尺度特征仅从第K
‑
1级中转移得到，2≤K≤N；所述交换模块被配置为转换第K级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤K；所述迁移模块被配置为从所述第一级开始，逐步迁移形成了其余N
‑
1级，在最后的第N级生成所述N个尺度特征。6.如权利要求2所述的染色体分类方法，其特征在于，还包括：根据公式计算染色体类型和极性分...

【专利技术属性】
技术研发人员：刘方，计小伟，
申请(专利权)人：揽华智慧医疗科技江苏有限公司，
类型：发明
国别省市：