一种基于人工智能的染色体图像筛选方法技术

本发明专利技术涉及染色体图像处理技术领域，且公开了一种基于人工智能的染色体图像筛选方法，包括以下步骤，收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取N个标号候选染色体分裂相图像。该一种基于人工智能的染色体图像筛选方法，通过选取N个标号候选染色体分裂相图像，并以图形学算法使得阈值化处理、灰度均衡化处理等预处理过程可以完全脱离人工操作，避免了因个人特性造成的误差，会给图像带来满足人眼视觉的提升，同时，也支持人工进行再次调整，以满足人工纠错和特异性需求，并且不会影响其最终处理的质量。量。

【技术实现步骤摘要】
一种基于人工智能的染色体图像筛选方法


[0001]本专利技术涉及染色体图像处理
，具体为一种基于人工智能的染色体图像筛选方法。

技术介绍

[0002]进行染色体核型分析时，往往需要拍摄染色体玻片在高倍显微镜下的图像。而在获取高倍镜拍摄图像前，会先对使用低倍镜拍摄的图像进行初步筛选，对筛选得到的图像再次使用高倍镜进行拍摄，从而得到高倍镜图像，如此能获得较好的染色体分裂图像，减轻医生的工作负担。
[0003]可是现有的染色体筛选方法，一般是医务工作人员通过肉眼对拍摄得到的低倍镜图像进行筛选，难以把握低倍镜图像中染色体的交叉严重程度，因此导致筛选得到的图像的质量较低的问题。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于人工智能的染色体图像筛选方法，具备图像筛选快，质量高等优点，解决了筛选得到的图像的质量较低的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于人工智能的染色体图像筛选方法，包括以下步骤：
[0009]S1、收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取N个标号候选染色体分裂相图像。
[0010]S2、对于上述获取N个标号候选染色体分裂相图像进行数据扩增，数据扩增包括随机水平翻转、随机竖直翻转、随机裁剪至统一大小，并对测试集中的染色体图像的大小进行统一调整，以及对训练集和测试集图像像素值标准化的预处理，最后在训练时对训练集处理后的染色体图像进行平衡抽样，其中，对图像大小统一调整到(120
×
K)
×
(120
×
K)。
[0011]S3、根据N个标号候选染色体分裂相图像数据集训练模型，在进行染色体图像处理时，利用模型将待处理的染色体原始医学图像进行集训分类，根据图形学算法处理后的染色体图像数据集训练分类模型。
[0012]S4、完成后根据染色体图像数据集训练分类模型分别获取每一候选染色体分裂相图像的有效连通区域信息，有效连通区域信息包括有效连通区域的数量、有效连通区域的平均长度、有效连通区域的长宽比以及有效连通区域的分散度中的至少一项，有效连通区域信息，分别获取每一所述候选染色体分裂相图像的评分值。
[0013]S5、根据评分值，从N个标号候选染色体分裂相图像中筛选出至少一个目标染色体分裂相图像。
[0014]优选的，所述步骤S1中，N为大于1的整数标号。
[0015]优选的，所述步骤S2中，其中K为整数，其K的数值大小可根据筛选时所需图片的大小进行改变，使获取N个标号候选染色体分裂相图像得到统一性。
[0016]优选的，所述步骤S1中通过数据标注工具将获取到的染色体原始图像进行标号备注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。
[0017]优选的，所述步骤S3中采用基于U
‑
net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的图像数据集训练模型。
[0018]优选的，所述步骤S4中分别获取每一候选染色体分裂相图像的有效连通区域信息，包括分别获取每一候选染色体分裂相图像的初始连通区域，对全部所述初始连通区域进行筛选，获取有效连通区域，依据有效连通区域获得有效连通区域信息。
[0019]优选的，所述分别获取每一所述候选染色体分裂相图像的初始连通区域，包括，计算所述候选染色体分裂相图像的灰度直方图，依据所述灰度直方图得到灰度阈值，根据所述灰度阈值对所述候选染色体分裂相图像进行二值化处理获得二值化图像，对所述二值化图像进行距离变化，获得距离变化图，依据所述距离变化图获得所述初始连通区域。
[0020]优选的，所述对全部所述初始连通区域进行筛选，获取有效连通区域，包括分别将每一所述初始连通区域的最大距离变化值与预设范围进行比较，将所述最大距离变化值在所述预设范围内的每一所述初始连通区域均确定为所述有效连通区域。
[0021](三)有益效果
[0022]与现有技术相比，本专利技术提供了一种基于人工智能的染色体图像筛选方法，具备以下有益效果：
[0023]1、该一种基于人工智能的染色体图像筛选方法，通过采用选取N个标号候选染色体分裂相图像，并对图像大小统一调整到(120
×
K)
×
(120
×
K)的图片大小，其K的数值大小可根据筛选时所需图片的大小进行改变，使获取N个标号候选染色体分裂相图像得到统一性，方便对染色体图像筛选进行统一大小区域的筛选。
[0024]2、该一种基于人工智能的染色体图像筛选方法，通过选取N个标号候选染色体分裂相图像，并以图形学算法使得阈值化处理、灰度均衡化处理等预处理过程可以完全脱离人工操作，避免了因个人特性造成的误差，会给图像带来满足人眼视觉的提升，同时，本专利技术也支持人工进行再次调整，以满足人工纠错和特异性需求，并且不会影响其最终处理的质量。
具体实施方式
[0025]下面将结合本专利技术的实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]实施例一：
[0027]一种基于人工智能的染色体图像筛选方法，包括以下步骤：
[0028]S1、收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取30个标号候选染色体分裂相图像，30为大于1的整数标号，通过数据标注工具将获取到的染色体原始图像进行标号备注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。
[0029]S2、对于上述获取30个标号候选染色体分裂相图像进行数据扩增，数据扩增包括随机水平翻转、随机竖直翻转、随机裁剪至统一大小，并对测试集中的染色体图像的大小进行统一调整，以及对训练集和测试集图像像素值标准化的预处理，最后在训练时对训练集处理后的染色体图像进行平衡抽样，其中，对图像大小统一调整到(120
×
K)
×
(120
×
K)，其中K为整数，其K的数值大小可根据筛选时所需图片的大小进行改变，使获取30个标号候选染色体分裂相图像得到统一性。
[0030]S3、根据30个标号候选染色体分裂相图像数据集训练模型，在进行染色体图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的染色体图像筛选方法，其特征在于，包括以下步骤：S1、收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取N个标号候选染色体分裂相图像；S2、对于上述获取N个标号候选染色体分裂相图像进行数据扩增，数据扩增包括随机水平翻转、随机竖直翻转、随机裁剪至统一大小，并对测试集中的染色体图像的大小进行统一调整，以及对训练集和测试集图像像素值标准化的预处理，最后在训练时对训练集处理后的染色体图像进行平衡抽样，其中，对图像大小统一调整到(120
×
K)
×
(120
×
K)；S3、根据N个标号候选染色体分裂相图像数据集训练模型，在进行染色体图像处理时，利用模型将待处理的染色体原始医学图像进行集训分类，根据图形学算法处理后的染色体图像数据集训练分类模型；S4、完成后根据染色体图像数据集训练分类模型分别获取每一候选染色体分裂相图像的有效连通区域信息，有效连通区域信息包括有效连通区域的数量、有效连通区域的平均长度、有效连通区域的长宽比以及有效连通区域的分散度中的至少一项，有效连通区域信息，分别获取每一所述候选染色体分裂相图像的评分值；S5、根据评分值，从N个标号候选染色体分裂相图像中筛选出至少一个目标染色体分裂相图像。2.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤S1中，N为大于1的整数标号。3.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤S2中，其中K为整数，其K的数值大小可根据筛选时所需图片的大小进行改变，使获取N个标号候选染色体分裂相图像得到统一性。4.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：张浩曦，王铮，
申请(专利权)人：上海科莫生医疗科技有限公司，
类型：发明
国别省市：