【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于无监督学习用于被遮挡染色体掩膜修复的方法。
技术介绍
1、目前，在高倍显微镜下采集的染色体中期相的图像中包含大量的染色体，每条染色体之间难免会存在交叉重叠的现象，导致图像的结构复杂。在对染色体中期相的图像进行图像分割任务的人工标注时，也难以将被遮挡染色体的掩膜进行准确标注。因此在对染色体图像进行图像分割任务的过程中，难免会发生图像中被遮挡的染色体图像的分割掩膜出现断裂，导致分割图像的掩膜不完整的现象。染色体图像的分割掩膜断裂现象，会导致染色体图像在分割后，染色体的形态发生破坏，甚至将一条染色体识别为多条染色体，这对染色体图像的分类和核型分析效果有很大的影响。
2、标注数据稀缺性：传统的监督学习方法通常需要大量标注样本来训练模型。染色体核型重叠交叉的分割标注任务具有很强的专业性和复杂性，需要医学图像领域经验丰富的专家进行图像标注，因此获取高质量标注样本的经济和时间成本十分高昂。由于获取到的存在交叉重叠现象的染色体中期相图像的训练数据较少，导致现有的图像分割模型很难真正学习到染色体的重叠交叉区域的分割掩膜特征。用现有方法对染色体中期相图像进行分割任务，很难解决图像中由染色体之间交叉重叠所引起的染色体图像的掩膜断裂问题。
3、交叉遮挡模式的多样性：染色体中期相图像中，染色体之间的遮挡模式非常多样化，涉及不同的遮挡形状和位置。而现有的监督学习方法不足以捕获这种多样性。
4、现有技术问题及思考：
5、如何解决在染色体被部分遮挡时无法识别整条染色体的技术
技术实现思路
1、本专利技术提供一种基于无监督学习用于被遮挡染色体掩膜修复的方法，解决在染色体被部分遮挡时无法识别整条染色体的技术问题。
2、为解决上述技术问题，本专利技术所采取的技术方案在于如下方面：
3、一种基于无监督学习用于被遮挡染色体掩膜修复的方法，包括如下步骤，
4、步骤s7：确定交叉染色体之间遮挡关系；
5、通过比较染色体重叠遮挡的图像块中每一染色体的掩膜修复后增加的面积大小来确定染色体之间的遮挡关系，若染色体的掩膜经过掩膜修复模型预测后面积变大，则该染色体为被遮挡染色体，反之，若染色体的掩膜经过掩膜修复模型预测后面积没有变化或面积变化较小，则该染色体为遮挡染色体；
6、步骤s8：被遮挡染色体的掩膜标签替换；
7、针对判断为被遮挡的染色体，将经过修复后的染色体图像掩膜，替换对应的染色体图像标签中对应位置的坐标，实现被遮挡染色体的掩膜修复。
8、进一步的技术方案在于：在所述步骤s7中，通过式（8）计算染色体图像的掩膜在进行修复前或后的面积：
9、式（8）
10、式（8）中，a为所求染色体掩膜的面积，i为染色体掩膜中坐标序号；n为所求染色体掩膜的闭合坐标数量。
11、进一步的技术方案在于：还包括所述步骤s7之前的如下步骤，
12、步骤s1：制备染色体数据集；
13、步骤s2：训练染色体图像实例分割模型；
14、步骤s3：训练染色体图像掩膜修复模型；
15、步骤s4：染色体分割图像的预测；
16、步骤s5：染色体交叉遮挡判断；
17、步骤s6：交叉遮挡染色体掩膜修复的预测。
18、进一步的技术方案在于：所述步骤s1包括如下步骤，获得染色体中期相的图像，基于染色体中期相的图像标注获得染色体数据集d，染色体数据集d包括未被遮挡的染色体的可见部分的掩膜标签和类别标签。
19、进一步的技术方案在于：所述步骤s2包括如下步骤，基于步骤s1获得的染色体数据集d，输入至实例分割模型并进行模型训练，获得训练好的染色体图像实例分割模型fm。
20、进一步的技术方案在于：所述步骤s3包括训练并获得训练好的染色体图像掩膜修复模型fp的步骤，具体划分包括如下步骤：
21、步骤s301：从步骤s1中获得的染色体数据集d中选择一个标注的染色体作为第一实例染色体a，随机选择另一个标注的染色体作为第二实例染色体b，获得第一实例染色体a和第二实例染色体b的染色体图像和掩膜标签；
22、步骤s302：模型训练过程分为两部分，分别是掩膜修复训练部分和正则部分；将步骤s301中选择的染色体图像和掩膜标签分别按照如下这两个训练部分的规则输入进掩膜修复模型进行训练；
23、步骤s3021掩膜修复训练部分：将第二实例染色体b对应的掩膜b定义为图像擦除器，将图像擦除器随机位移至第一实例染色体a对应的掩膜a的区域内，用掩膜b擦除部分掩膜a，然后得到掩膜a未被掩膜b遮挡的区域掩膜a\b；
24、步骤s3022正则部分：将掩膜b位移至与步骤s3021中随机位移后相同的位置，但对掩膜a不进行擦除，得到掩膜b未被掩膜a遮挡的区域掩膜b\a；
25、步骤s303：分别将步骤s302中的两个训练部分输入神经网络模型进行训练，掩膜修复训练部分输入为掩膜a\b，条件为掩膜b，目的是恢复并输出掩膜a；而正则部分输入为掩膜a，条件为掩膜b\a，目的是保持并输出掩膜a；因此模型的损失函数定义如下：
26、式（1）
27、式（2）
28、式（3）
29、式（1）中，l1表示掩膜修复训练部分的损失函数；n表示每轮迭代训练过程中的无监督训练次数；a，b为数据集d中的染色体实例；l表示二值交叉熵binary crossentropy损失函数，fp为掩膜修复模型；ma\b表示掩膜a\b；mb表示掩膜b；i表示输入神经网络的图像块；ma表示掩膜a；
30、式（2）中，l2表示正则部分的损失函数；mb\a表示掩膜b\a；
31、式（3）中，lm表示模型最终的损失函数；x符合系数为γ的伯努利分布；γ是选择为训练过程中选择掩膜修复训练部分的概率；
32、步骤s304：根据步骤s303中确定的神经网络模型和式（3）的最终损失函数lm，通过迭代训练来优化模型的权重参数，最终得到训练好的染色体图像掩膜修复模型fp。
33、进一步的技术方案在于：所述步骤s4包括如下步骤，将采集的染色体中期相图像输入步骤s2中得到的训练好的染色体图像实例分割模型fm，预测得到染色体可见部分的掩膜标签和染色体的类别标签。
34、进一步的技术方案在于：所述步骤s5包括如下步骤，遍历步骤s4中得到的染色体中期相图像及对应的染色体可见部分的掩膜标签和染色体的类别标签，通过使用矢量运算库shapely算法根据染色体掩膜标签的闭合坐标曲线之间是否有交叉区域判断每一染色体掩膜的坐标是否存在交叉，判断染色体之间是否存在遮挡情况；若存在遮挡情况，则由式（4），式（5），式（6），式（7）获取发生交叉的染色体掩膜的坐标最大和最小值，即：
35、式（4）
36、式（5）
37、式（6）
<本文档来自技高网...【技术保护点】
1.一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：在所述步骤S7中，通过式（8）计算染色体图像的掩膜在进行修复前或后的面积：
3.根据权利要求1所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：还包括所述步骤S7之前的如下步骤，
4.根据权利要求3所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S1包括如下步骤，获得染色体中期相的图像，基于染色体中期相的图像标注获得染色体数据集D，染色体数据集D包括未被遮挡的染色体的可见部分的掩膜标签和类别标签。
5.根据权利要求4所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S2包括如下步骤，基于步骤S1获得的染色体数据集D，输入至实例分割模型并进行模型训练，获得训练好的染色体图像实例分割模型fm。
6.根据权利要求5所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S
7.根据权利要求6所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S4包括如下步骤，将采集的染色体中期相图像输入步骤S2中得到的训练好的染色体图像实例分割模型fm，预测得到染色体可见部分的掩膜标签和染色体的类别标签。
8.根据权利要求7所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S5包括如下步骤，遍历步骤S4中得到的染色体中期相图像及对应的染色体可见部分的掩膜标签和染色体的类别标签，通过使用矢量运算库Shapely算法根据染色体掩膜标签的闭合坐标曲线之间是否有交叉区域判断每一染色体掩膜的坐标是否存在交叉，判断染色体之间是否存在遮挡情况；若存在遮挡情况，则由式（4），式（5），式（6），式（7）获取发生交叉的染色体掩膜的坐标最大和最小值，即：
9.根据权利要求8所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤S6包括如下步骤，遍历步骤S5染色体重叠遮挡的图像块中所有发生交叉的染色体，分别输入步骤S3获得的掩膜修复模型fp，预测得到所有发生交叉的染色体图像的修复掩膜。
10.根据权利要求6所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：在所述步骤S303中，神经网络模型择为残差神经网络ResNet、密集连接神经网络DenseNet或者U-Net。
...【技术特征摘要】
1.一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：在所述步骤s7中，通过式（8）计算染色体图像的掩膜在进行修复前或后的面积：
3.根据权利要求1所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：还包括所述步骤s7之前的如下步骤，
4.根据权利要求3所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤s1包括如下步骤，获得染色体中期相的图像，基于染色体中期相的图像标注获得染色体数据集d，染色体数据集d包括未被遮挡的染色体的可见部分的掩膜标签和类别标签。
5.根据权利要求4所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤s2包括如下步骤，基于步骤s1获得的染色体数据集d，输入至实例分割模型并进行模型训练，获得训练好的染色体图像实例分割模型fm。
6.根据权利要求5所述的一种基于无监督学习用于被遮挡染色体掩膜修复的方法，其特征在于：所述步骤s3包括训练并获得训练好的染色体图像掩膜修复模型fp的步骤，具体划分包括如下步骤：
7.根据权利要求6所述的一种基于无监督学习用于被遮挡染色体...
【专利技术属性】
技术研发人员：李娜，胡敬栋，苏俊楷，
申请(专利权)人：笑纳科技苏州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。