一种基于深度学习的染色体分裂相图像质量评价方法技术

本发明专利技术公开了一种基于深度学习的染色体分裂相图像质量评价方法，属于染色体图像处理技术领域。本发明专利技术通过深度学习模型，能够对染色体分裂相图像进行质量打分，能够较为准确的评价染色体图像的图像质量，对不同类型的染色体分裂相图像评价具有较强的鲁棒性，提高了医生操作的效率。本发明专利技术能够对染色体分裂相图像质量进行准确、高效评价，能够有效提升染色体分裂相图像的评价以及挑选效率，缩短染色体分裂相图像的筛选时间，进而能够有效减轻医生的工作负担，并且不受外界干扰，工序简洁、合理，可向外大规模推广应用，部署简单。

An image quality evaluation method of chromosome split phase based on deep learning

【技术实现步骤摘要】
一种基于深度学习的染色体分裂相图像质量评价方法
本专利技术涉及一种基于深度学习的染色体分裂相图像质量评价方法，属于染色体图像处理

技术介绍
染色体分析诊断的第一步是从约200张染色体分裂相图像中挑选条带最好的30张，一般认为条带越长越好，越清晰越好，越离散越好，用此30张分裂相进行下一步的计数分析等操作。现有的常规做法是将200张图片全部交给医务工作者，肉眼逐个观察染色体分裂相图像，通过识别染色体的一些基本特征，例如长度、方差、离散度去大致评估一张染色体分裂相的图像质量，但此方法误差较大，误判几率较大。同时整个评价流程时间周期较长，评价效率低。并且人工识别，主观性很强，很容易受外界环境影响，进一步影响染色体分裂相图像质量评价准确率。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于提供一种能够对染色体分裂相图像进行质量打分的深度学习模型，该模型能够较为准确的评价染色体图像的图像质量，进而便于图像挑选；并且对不同类型的染色体分裂相图像评价具有较强的鲁棒性，提高了图像质量评价效率，同时能够有效减轻医生的工作负担，不受外界干扰的基于深度学习的染色体分裂相图像质量评价方法。为实现上述目的，本专利技术的技术方案为：一种基于深度学习的染色体分裂相图像质量评价方法，包括以下步骤：第一步，得到染色体分裂相图像；第二步，对染色体分裂相进行基本的图像处理；对输入图像进行标准化处理，使得图像输入尽可能标准一致；第三步，建立深度学习模型，r>该模型是端到端的模型，即输入染色体分裂相图像，能够输出评价分数；第四步，基于深度学习模型对染色体分裂相图像进行图像质量打分；根据染色体分裂相图像分数档位，通过深度学习模型的分类器，对待评价的染色体分裂相图像进行分数档位识别；输出相应档位的预测概率；进而得到该染色体分裂相图像的质量分数。本专利技术通过深度学习模型，能够对染色体分裂相图像进行质量打分，能够较为准确的评价染色体图像的图像质量，对不同类型的染色体分裂相图像评价具有较强的鲁棒性，提高了医生操作的效率。本专利技术能够对染色体分裂相图像质量进行准确、高效评价，能够有效提升染色体分裂相图像的评价以及挑选效率，缩短染色体分裂相图像的筛选时间，进而能够有效减轻医生的工作负担，并且不受外界干扰，工序简洁、合理，可向外大规模推广应用，部署简单。作为优选技术措施：第二步，具体包括以下步骤：a)将染色体图像沿着最长的轴放大/缩小至bs个pixel；另一个轴等比例的放大；b)对放大的图像不足bs个pixel的轴，填充白色像素至轴长度为bs；训练深度学习神经网络前，对图像进行旋转、翻转数据增强操作；实现输入图像的标准化处理，进而后续网络训练更容易收敛。由于染色体图像的质量与样本的染色质量有关，同时受光照影响严重，图像中存在较多杂质，对比度较差，且染色体内明暗相间的带纹使得目标内部灰度分布不均匀。因此必须对染色体图像进行预处理，为后期分析处理做准备。本专利技术的形态学操作，主要目的是减少图像由于染色体带纹引起的目标内部灰度差异；用于改善图像的灰度分布。作为优选技术措施：所述bs为含有因数32的数字，其值取800，960，1120等均可；旋转的角度为正90度，180度，270度；翻转包括水平翻转和竖直翻转；以上操作目的是扩充样本多样性。作为优选技术措施：对每张染色体图像，首先计算每张染色体图像的均值和标准差，然后根据如下公式得到标准化处理后的图：其中，μ为图像均值，σ为图像标准差；Imageo1d为原图，Imagenew为标准化处理后的图；经过该步骤处理，所有图像理论上已经具有0均值，1标准差了。作为优选技术措施：所述第三步，具体包括以下步骤：S1，建立模型结构：主干网络模型基于ResNet残差网络结构；S2，通过使用残差学习ResidualLearning的方式，能够极大提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；本模型的深度为：hs层；S3，模型的分类器采用的是MLP多层感知器网络；采取该网络的要点在于能够构建一个端到端end-to-end网络，而无需单独基于特征再训练一个SVM分类器；本模型使用了一个MLP分类器，针对染色体分裂相的分数档位识别；分数档位识别分类器的神经元参数构成为：ms*7；染色体的类别分类器目的是输出7种档位的染色体的预测概率；其中ms是来源于残差网络提取的最后特征，即残差网络自己学习到的最终特征，数量为ms；S4，模型的损失函数LossFunction设置为EMD(earthmover′sdistance)-basedloss函数，其定义的数学表达式如下：其中，p(groundtruth)与分别是人类评价图片质量的分数(分数总共为7档，即0-6分)概率分布和预测到的分数概率分布；N为分数的档数，其值为7；r表示范数的类型，CDF是对概率分布的累加函数(例如概率分布为0.1，0.2，0.3，0.4，那么CDF(k)＝0.1，0.3，0.6，1.0，k＝1，2，3，4)；不同于交叉熵损失函数，此函数是对概率值的累计做了对比，能够体现类别的排序准确率，以便纠正学习的方向；S6，深度学习模型的训练时，使用ADAM优化器。作为优选技术措施：所述S1，残差网络结构基于BasicBlock基础块的残差结构进行构建，使用了4组BasicBlock，每一组中BasicBlock的数量分别为2，2，2，2；该残差基础块的目的主要是通过拟合预测输出的特征的残差来训练CNN卷积神经网络，从而不断抽取高维特征，以供最终的分类。作为优选技术措施：所述S6，ADAM优化器的参数分别设置为：β1＝0.9，β2＝0.99；β1系数为指数衰减率，控制权重分配(动量与当前梯度)，通常取接近于1的值。β2系数为指数衰减率，控制之前的梯度平方的影响情况。训练的学习率初始设置为0.001，随着迭代次数增加而递减；训练总迭代次数为120，批量训练的样本大小Batchsize设置为10；所述hs＝18；ms取值为512。作为优选技术措施：所述第四步，包括以下步骤：评价图片质量的分数总共为7档，即0-6分，使用深度学习模型，其MLP分类器的分别输出质量预测的7种概率值，7种概率值与7种档位相对应；染色体分裂相图像最终得分为7种概率值与7种档位所代表的分数(0-6)相乘结果之和；大部分染色体分裂相图像，能够以极高的置信度被准确预测；对于深度学习预测结果中，方差较小，类别置信度不高的染色体，直接基于相对长度、清晰度、离散程度进行评估；相对长度、离散度，根据二值化图像计算连通域个数及面积，估算出每条染色体的长度及没有交叉的染色体个数，清晰度则采用高斯模糊后的图像与原图像相减本文档来自技高网...

【技术保护点】
1.一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，/n包括以下步骤：/n第一步，得到染色体分裂相图像；/n第二步，对染色体分裂相进行基本的图像处理；/n对输入图像进行标准化处理，使得图像输入尽可能标准一致；/n第三步，建立深度学习模型，/n该模型是端到端的模型，即输入染色体分裂相图像，能够输出评价分数；/n第四步，基于深度学习模型对染色体分裂相图像进行图像质量打分；/n根据染色体分裂相图像分数档位，通过深度学习模型的分类器，对待评价的染色体分裂相图像进行分数档位识别；输出相应档位的预测概率；进而得到该染色体分裂相图像的质量分数。/n

【技术特征摘要】
1.一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，
包括以下步骤：
第一步，得到染色体分裂相图像；
第二步，对染色体分裂相进行基本的图像处理；
对输入图像进行标准化处理，使得图像输入尽可能标准一致；
第三步，建立深度学习模型，
该模型是端到端的模型，即输入染色体分裂相图像，能够输出评价分数；
第四步，基于深度学习模型对染色体分裂相图像进行图像质量打分；
根据染色体分裂相图像分数档位，通过深度学习模型的分类器，对待评价的染色体分裂相图像进行分数档位识别；输出相应档位的预测概率；进而得到该染色体分裂相图像的质量分数。


2.如权利要求1所述的一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，
第二步，具体包括以下步骤：
a)将染色体图像沿着最长的轴放大/缩小至bs个pixel；另一个轴等比例的放大；
b)对放大的图像不足bs个pixel的轴，填充白色像素至轴长度为bs；
训练深度学习神经网络前，对图像进行旋转、翻转数据增强操作；
实现输入图像的标准化处理，进而后续网络训练更容易收敛。


3.如权利要求2所述的一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，所述bs为含有因数32的数字；
旋转的角度为正90度，180度，270度；翻转包括水平翻转和竖直翻转；以上操作目的是扩充样本多样性。


4.如权利要求3所述的一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，
对每张染色体图像，
首先计算每张染色体图像的均值和标准差，
然后根据如下公式得到标准化处理后的图：



其中，μ为图像均值，σ为图像标准差；Imageold为原图，Imagenew为标准化处理后的图；经过该步骤处理，所有图像理论上已经具有0均值，1标准差了。


5.如权利要求1所述的一种基于深度学习的染色体分裂相图像质量评价方法，其特征在于，
所述第三步，具体包括以下步骤：
S1，建立模型结构：主干网络模型基于ResNet残差网络结构；
S2，通过使用残差学习ResidualLearning的方式，能够极大提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；本模型的深度为：hs层；
S3，模型的分类器采用的是MLP多层感知器网络；采取该网络的要点在于能够构建一个端到端end-to-end网络，而无需单独基于特征再训练一个SVM分类器；
本模型使用了一个MLP分类器，针对染色体分裂相的分数档位识别；分数档位识别分类器的神经元参数构成为：ms*7；染色体的类别分类器目的是输出7种档位的染色体的预测概率；其中ms是来源于残差网络提取的最后特征，即残差网络自己学习到的最终特征，数量为ms；
S4，模型的损失函数LossFunction设置为EMD-basedloss函数，其定义的数学表达式如下：



其中，p与分别是人类...

【专利技术属性】
技术研发人员：宋宁，马伟旗，韩云鹏，陈罗克，晏青，沈晓明，吴朝玉，
申请(专利权)人：杭州德适生物科技有限公司，
类型：发明
国别省市：浙江;33