【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及基于深度学习的染色体图像分割识别方法及系统。
技术介绍
1、u-net网络架构常用于医学图像分割设计的卷积神经网络，其核心特点在于对称的编码器-解码器结构和跳跃连接，编码器通过卷积和下采样逐步提取高层语义特征，解码器则通过上采样和反卷积恢复空间分辨率，跳跃连接将编码器各层输出的特征数据直接与解码器对应层拼接，但由于染色体图像常常呈现出结构复杂、分布不规则、交叉重叠、形态可变的特点，这些特点增加了染色体图像分割的难度，标准的u-net网络对染色体图像分割的效果并不理想，分割的好坏直接影响染色体分析与识别的准确性。
技术实现思路
1、本专利技术的目的在于提供基于深度学习的染色体图像分割识别方法及系统，对染色体图像有较好的分割和识别效果。
2、为实现上述目的，第一方面，本专利技术提供基于深度学习的染色体图像分割识别方法，所述方法包括：
3、对原始染色体图像数据进行目标检测处理，输出标定有染色体团簇的染色体图像数据；
4、利用...
【技术保护点】
1.基于深度学习的染色体图像分割识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述结合无参数注意力机制，对最终层下采样特征数据进行深度可分离卷积处理和像素重组处理，得到深层特征优化数据，包括：
3.根据权利要求2所述的方法，其特征在于，对最终层下采样特征数据进行深度卷积处理和逐点卷积处理，得到深度组合特征数据，包括：
4.根据权利要求1所述的方法，其特征在于，所述动态卷积核的构建方法包括：
5.基于深度学习的染色体图像分割识别系统，其特征在于，所述系统包括染色体检测模型、染色体分割模型和...
【技术特征摘要】
1.基于深度学习的染色体图像分割识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述结合无参数注意力机制，对最终层下采样特征数据进行深度可分离卷积处理和像素重组处理，得到深层特征优化数据，包括：
3.根据权利要求2所述的方法，其特征在于，对最终层下采样特征数据进行深度卷积处理和逐点卷积处理，得到深度组合特征数据，包括：
4.根据权利要求1所述的方法，其特征在于，所述动态卷积核的构建方法包括：
5.基于深度学习的染色体图像分割识别系统，其特征在于，所述系统包括染色体检测模型、染色体分割模型和染色体分类模型，其中：
6.根据权利要求5所述的系统，其特征在于，染色体分割模型为u-net网络结构，染色体分...
【专利技术属性】
技术研发人员：妥福军，周祚峰，刘东华，图雅，聂方兴，董富强，
申请(专利权)人：中科伊和智能医疗科技佛山有限公司，
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。