一种基于去噪扩散概率模型的染色体异常检测系统及方法技术方案

本发明专利技术公开了一种基于去噪扩散概率模型的染色体异常检测系统及其方法，其前向扩散模型对输入的染色体图像作为原始图像沿马尔可夫过程进行t次叠加添加噪声，得到纯噪声图像为止；其逆扩散模型沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作，得到重建图像；其分析模型对所述原始图像和重建图像进行均方误差计算，并将得到的均方误差与预先设定的阈值进行比较，大于阈值的原始图像判定为异常，反之则为正常。本发明专利技术的有益效果是：相较于传统的检测方式，本发明专利技术具有高效、准确等优点。点。点。

【技术实现步骤摘要】
一种基于去噪扩散概率模型的染色体异常检测系统及方法


[0001]本专利技术涉及医疗图像分析领域，尤其涉及一种基于去噪扩散概率模型的染色体异常检测系统及其方法。

技术介绍

[0002]染色体结构异常是指染色体或染色单体经过断裂
‑
重换或互换机理可产生染色体畸变(chromosome aberration)及染色单体畸变(chromatid aberration)。其中包括染色体失去了片段的缺失(Deletion)(造成染色体上基因数目的减少)；增加了片段的重复(Duplication)(造成染色体上基因数目的增多)；染色体片段作180
°
颠倒的倒位(Inversion)(使这一段染色体上的基因顺序与其他基因顺序方向相反，基因数目没有改变)；非同源染色体间相互交换片段的易位(Translocation)(包括相互易位和非相互易位)等。
[0003]在遗传学上：大部分先天畸形、智力残疾，和不孕不育都是由染色体异常引起的。同时对血液和肿瘤而言，细胞遗传学以及染色体的结构异常检测在诊断、预后、治疗的筛选和监测方面也起了重要作用。
[0004]常规技术手段大多采取对核型分析结果进行染色体计数，大多适用于三倍体综合征的检测。而对于染色体结构异常缺乏准确的检测方式。
[0005]而对于染色体结构异常检测，现有方法大多集中在检出过程。即对于输入的单条染色体进行二分类预测，判断其是否存在异常。而对于异常类别以及异常区域，无法实现自动化识别，必须依靠专业医师进行标注，效率非常低。
[0006]针对片段的缺失这一类的染色体结构异常，如何提供一种高效、准确的检测系统及方法是本专利技术所要解决的技术问题。

技术实现思路

[0007]本专利技术的目的在于提供一种准确且效率高的基于去噪扩散概率模型的染色体异常检测方法及其方法。
[0008]为实现上述目的，本专利技术提供如下技术方案：
[0009]一种基于去噪扩散概率模型的染色体异常检测系统，包括一前向扩散模型、一逆扩散模型以及一分析模型；所述前向扩散模型对输入的染色体图像作为原始图像沿马尔可夫过程进行t次叠加添加噪声，得到纯噪声图像为止；所述逆扩散模型沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作，得到重建图像，其中t为大于0的自然数；所述分析模型对所述原始图像和重建图像进行相似度比较，以判定原始图像为异常或正常；所述前向扩散模型、逆扩散模型以及分析模型均按染色体的类型chr1、chr2
…
chr22、chrX、chrY单独进行训练，以获得针对该染色体类型的单一模型。
[0010]优选的，所述噪声为Simplex噪声、高斯噪声或白噪声。
[0011]优选的，在训练过程中，t的取值范围为1000～1500；在检测过程中，t的取值范围
为25～50。
[0012]本专利技术还提供一种基于去噪扩散概率模型的染色体异常检测方法，其包括所述的一种基于去噪扩散概率模型的染色体异常检测系统，包括以下步骤：
[0013]S1、将不同类型的染色体图像作为原始图像x0输入到对应类型的前向扩散模型中以沿马尔可夫过程进行t次叠加添加Simplex噪声，得到纯噪声图像；其中，使用马尔可夫链的T步骤来制定前向扩散模型，即：给定数据点x0，在马尔可夫链的每一步q(x
t
|x
t
‑1)，都添加一个Simplex噪声，以产生一个新的潜在变量x
t
；其中，Simplex噪声∈的分布公式如下：∈～Simplex(ν＝2
‑6，N＝6，γ＝0.8)，t是每步操作的序号，x是图像，x
t
是第t步的图像，x
t
‑1是第t
‑
1步的图像，x0是输入的原始图像，q(x
t
|x
t
‑1)是第t步的马尔可夫过程，T为表示最大步数且T＞＞1000，ν、N、Y均为超参数，ν代表初始启动频率、N代表噪声度量指标、Y为噪声衰减率；
[0014]S2、所述逆扩散模型沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作直至获得重建图像
[0015]S3、所述分析模型对原始图像x0和重建图像进行相似程度比较，比较得到的差异与预先训练得到的阈值c进行比较，比阈值c大则将原始图像x0判定为异常，反之则判定为正常。
[0016]优选的，所述步骤S1中的原始图像x0经过预先处理，其处理步骤包括：
[0017]S0
‑
1、通过自动分割网络对包含多个染色体的初始图像进行染色体分割以得到仅包括一个染色体的图像及该染色体轮廓的掩膜、并从中提取该染色体；
[0018]S0
‑
2、将提取的染色体按短臂在上长臂在下的方式摆正，并以白色像素填充空白区域以得到长方形的单染色体图像；
[0019]S0
‑
3、对所述单染色体图像中的染色体进行识别，以得到其种类。
[0020]优选的，所述步骤S2包括以下步骤：
[0021]S2
‑
1、使用Zhang
‑
Suen算法计算原始图像x0中的染色体骨架；
[0022]S2
‑
2、沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作直至获得重建图像其中，每次去噪声操作均以所述染色体骨架为约束；
[0023]其中，所述逆扩散模型的训练方法为：
[0024]S2
‑
11、使用U
‑
Net++网络搭建深度学习模型pθ(xt
‑
1|xt)，pθ指深度学习模型；
[0025]S2
‑
12、沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作；其中，每一次去噪声操作都从Simplex噪声采样一个噪声∈～Simplex(v＝2
‑
6,N＝6,γ＝0.8)，然后对输入的图像进行去噪扩散概率重建；其中，深度学习模型pθ中每一层均嵌入所述步骤S2
‑
1中得到的染色体骨架，以使网络在不同层次上学习到不同的形态特征和结构信息，所述U
‑
Net++网络引入SE模以加入注意力机制，其实施步骤为：
[0026]S2
‑
12
‑
1、使用全局平均池化对所述U
‑
Net++网络的每个通道进行压缩，得到每个通道的全局特征向量，
[0027]S2
‑
12
‑
2、对通道的全局特征向量进行线性变换，并使用激活函数进行激励，得到每个通道的权重；
[0028]所述步骤S2
‑
12中，每一次去噪声操作都将通道的权重与输入特征图相乘，得到经
过注意力机制加权后的去噪扩散概率重建的输出特征图，其中，所述输入特征图即前一步的输出特征图；
[0029]所述U
...

【技术保护点】

【技术特征摘要】
1.一种基于去噪扩散概率模型的染色体异常检测系统，其特征在于：包括一前向扩散模型、一逆扩散模型以及一分析模型；所述前向扩散模型对输入的染色体图像作为原始图像沿马尔可夫过程进行t次叠加添加噪声，得到纯噪声图像为止；所述逆扩散模型沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作，得到重建图像，其中t为大于0的自然数；所述分析模型对所述原始图像和重建图像进行相似度比较，以判定原始图像为异常或正常；所述前向扩散模型、逆扩散模型以及分析模型均按染色体的类型chr1、chr2
…
chr22、chrX、chrY单独进行训练，以获得针对该染色体类型的单一模型。2.根据权利要求1所述的一种基于去噪扩散概率模型的染色体异常检测系统，其特征在于，所述噪声为Simplex噪声、高斯噪声或白噪声。3.根据权利要求1所述的一种基于去噪扩散概率模型的染色体异常检测系统，其特征在于，在训练过程中，t的取值范围为1000～1500；在检测过程中，t的取值范围为25～50。4.一种基于去噪扩散概率模型的染色体异常检测方法，其包括根据权利要求1至3其中之一所述的一种基于去噪扩散概率模型的染色体异常检测系统，其特征在于，包括以下步骤：S1、将不同类型的染色体图像作为原始图像x0输入到对应类型的前向扩散模型中以沿马尔可夫过程进行t次叠加添加Simplex噪声，得到纯噪声图像；其中，使用马尔可夫链的T步骤来制定前向扩散模型，即：给定数据点x0，在马尔可夫链的每一步q(x
t
|x
t
‑1)，都添加一个Simplex噪声，以产生一个新的潜在变量x
t
；其中，Simplex噪声∈的分布公式如下：∈～Simplex(ν＝2
‑6,N＝6,γ＝0.8)，t是每步操作的序号，x是图像，x
t
是第t步的图像，x
t
‑1是第t
‑
1步的图像，x0是输入的原始图像，q(x
t
|x
t
‑1)是第t步的马尔可夫过程，T为表示最大步数且T>>1000,ν、N、γ均为超参数，ν代表初始启动频率、N代表噪声度量指标、γ为噪声衰减率；S2、所述逆扩散模型沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作直至获得重建图像S3、所述分析模型对原始图像x0和重建图像进行相似程度比较，比较得到的差异与预先训练得到的阈值c进行比较，比阈值c大则将原始图像x0判定为异常，反之则判定为正常。5.根据权利要求4所述的一种基于去噪扩散概率模型的染色体异常检测方法，其特征在于：所述步骤S1中的原始图像x0经过预先处理，其处理步骤包括：S0
‑
1、通过自动分割网络对包含多个染色体的初始图像进行染色体分割以得到仅包括一个染色体的图像及该染色体轮廓的掩膜、并从中提取该染色体；S0
‑
2、将提取的染色体按短臂在上长臂在下的方式摆正，并以白色像素填充空白区域以得到长方形的单染色体图像；S0
‑
3、对所述单染色体图像中的染色体进行识别，以得到其种类。6.根据权利要求5所述的一种基于去噪扩散概率模型的染色体异常检测方法，其特征在于，所述步骤S2包括以下步骤：S2
‑
1、使用Zhang
‑
Suen算法计算原始图像x0中的染色体骨架；S2
‑
2、沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作直至获得重建图像其中，每次去噪声操作均以所述染色体骨架为约束；其中，所述逆扩散模型的训练方法为：
S2
‑
11、使用U
‑
Net++网络搭建深度学习模型p
θ
(x
t
‑1|x
t
)，p
θ
指深度学习模型；S2
‑
12、沿马尔可夫链向后遍历以对所述纯噪声图像进行t次去噪声操作；其中，每一次去噪声操作都从Simplex噪声采样一个噪声∈～Simplex(ν＝2
‑6,N＝6,γ＝0.8)，然后对输入的图像进行去噪扩散概率重建；其中，深度学习模型p
θ
中每一层均嵌入所述步骤S2
‑
1中得到的染色体骨架，以使网络在不同层次上学习到不同的形态特征和结构信息，所述U
‑
Net++网络引入SE模以加入注意力机制，其实施步骤为：S2
‑
12
‑
1、使用全局平均池化对所述U
‑
Net++网络的每个通道进行压缩，得到每个通道的全局特征向量，S2
‑
12
‑
2、对通道的全局特征向量进行线性变换，并使用激活函数进行激励，得到每个通道的权重；所述步骤S2
‑
12中，每一次去噪声操作都将通道的权重与输入特征图相乘，得到经过注意力机制加权后的去噪扩散概率重建的输出特征图，其中，所述输入特征图即前一步的输出特征图；所述U
‑
Net++网络经过剪枝训练，其实施步骤为：1)训练完整的U
‑
Net++...

【专利技术属性】
技术研发人员：余永国，
申请(专利权)人：上海交通大学医学院附属新华医院，
类型：发明
国别省市：