基于AE的低倍镜分裂相筛图方法、系统及存储介质技术方案

本发明专利技术公开了一种基于AE的低倍镜分裂相筛图方法、系统及存储介质，用于提高低倍镜下分裂相识别的准确率，本发明专利技术涉及医学图像处理技术领域；包括：用人工划分好的K类低倍镜分裂相图像和该图像的类别对搭建的染色体分裂相图类别网格进行训练，得到类别自动编码模型；用K类低倍镜分裂相图像边缘填充成为一个正方形，并且改变图像大小到128*128像素的尺寸，输入到类别自动编码模型的编码器分支，经过编码层得到特征向量Vn，之后存储特征向量，构建特征向量底库S；依次使用类别自动编码模型和特征向量底库S对染色体分裂相图像进行筛选；本发明专利技术简单高效，能够有效筛选出质量优质的低倍镜分裂相图。镜分裂相图。镜分裂相图。

【技术实现步骤摘要】
基于AE的低倍镜分裂相筛图方法、系统及存储介质


[0001]一种基于AE的低倍镜分裂相筛图方法、系统及存储介质，用于提高低倍镜下分裂相识别的准确率，本专利技术涉及分子诊断学


技术介绍

[0002]人类染色体的分析与识别是细胞遗传学研究的重要课题。如今已成为临床检验工作中一个重要组成部分，它使很多遗传性疾病得到明确诊断，具有重要的临床价值。染色体核型分析流程通常是先通过低倍镜进行全片扫描,找出合适的分裂相进行高倍镜扫描再进行分析。低倍镜扫描的染色体分裂相图像中，分裂相的染色体面积小且聚集在一起，判断会存在一定的失误，如果找错了，通过高倍镜扫描的图片则为无效图片。其次，低倍镜下扫描的图像中，并不是所有的分裂相都适用于染色体核型分析，由于很难确定分裂相中染色体数量与结构，选取的分裂相高倍镜扫描后可能并不适用于染色体分析。
[0003]传统的低倍镜图像质量筛选技术主要有以下方法，主要是在常规低倍镜图像中，首先训练一个判断低倍镜是否为杂质的模型。接着训练一个判断低倍镜分裂相图属于什么质量等级的分类模型。由于低倍镜分裂相图分辨率不高，直接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AE的低倍镜分裂相筛图方法，其特征在于，包括如下步骤：S1、用人工划分好的K类低倍镜分裂相图像和该图像的类别对搭建的染色体分裂相图类别网格进行训练，得到类别自动编码模型；其中，K代表类别数量；S2、用步骤S1划分好的K类低倍镜分裂相图像边缘填充成为一个正方形，并且改变图像大小到128*128像素的尺寸，输入到类别自动编码模型的编码器分支，经过编码层得到特征向量Vn，之后存储特征向量，构建特征向量底库S；S3、依次使用类别自动编码模型和特征向量底库S对染色体分裂相图像进行筛选。2.根据权利要求1所述的一种基于AE的低倍镜分裂相筛图方法，其特征在于，步骤S1所述K类低倍镜分裂相图像的类别有杂质、分散好、分散差、条带清晰、条带不清晰，每个类别预先选取数量为100张分裂相图进行训练。3.根据权利要求1所述的一种基于AE的低倍镜分裂相筛图方法，其特征在于，步骤S1所述类别自动编码模型包括编码器编码层、解码器解码层和特征向量，编码器编码层通过分裂相图的提取特征，输出维度为512的特征向量。4.根据权利要求3所述的一种基于AE的低倍镜分裂相筛图方法，其特征在于，步骤S1所述类别自动编码模型的训练步骤为：将一张低倍镜图像，首先按照图像长边的长度，将图像填充为正方形，之后改变图像大小到统一的128*128像素尺寸，作为网络训练的输入，进行模型的训练。5.根据权利要求1所述的一种基于AE的低倍镜分裂相筛图方法，其特征在于，步骤S2所述构建特征向量底库S的具体步骤如下：S2.1、将类别自动编码模型中的编码器分支取出；S2.2、将步骤S1中预先划分好的K类各100张低倍镜分裂相图总共K*100张，将图像边缘填充成为一个正方形并且改变图像大小到128*128像素的尺寸；S2.3、将步...

【专利技术属性】
技术研发人员：蔡昱峰，张金超，卢沁阳，刘丽珏，穆阳，彭伟雄，
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：