[发明专利]基于深度学习的分裂中期染色体图像质量筛选方法和系统

权利要求书

1.一种基于深度学习的分裂中期染色体图像质量筛选方法，其特征在于，所述方法包括以下步骤：

（1）收集显微镜下分裂中期细胞的染色体图像，所述染色体图像根据其图像质量已被标注为高质或低质，并将图像随机划分训练集和测试集，其中训练集占比90%，测试集占比10%；

（2）对步骤（1）获得的训练集中的染色体图像进行数据扩增，所述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，对所述图像大小统一调整到，图像的像素值进行标准化处理如式（I）所示： （I），

其中，是预处理之前的图像，是预处理之后的图像，是预处理前的所有图像像素计算的均值，是预处理前所有图像像素计算的标准差，式（I）中所有运算都是矩阵运算；

（3）将经过步骤（2）获得的训练集中的染色体图像输入到含有卷积神经网络结构和全连接层结构的深度学习模型中，并对深度学习模型进行训练，其中，卷积神经网络结构用于从图像中计算得到图像的特征向量，全连接层结构用于从图像的特征向量中计算得到质量评估结果，在学习过程中使用反向传播算法对模型参数进行更新，其中，所述卷积神经网络结构为ResNet18，所述结构为：核大小为7×7，通道数为64，步长为2的卷积层，后接ReLU层和核大小为3×3，步长为2的最大池化层，然后连接核大小都为3×3，连接通道数分别是64、128、256、512的BasicBlock结构，最后连接平均池化层，其中，ReLU如式（II）所示：

（II），

其中，为ReLU层输入向量，执行的运算是向量大于0的元素置为0；

（4）将经过步骤（2）获得的测试集中的全部染色体图像输入到经过步骤（3）训练后获得的深度学习模型中，对染色体图像进行质量评估；

（5）根据步骤（4）获得的染色体图像质量评估结果的高低进行降序排列，染色体图像质量高者居前，然后在排序后的染色体图像中居前选取15-30张染色体图像完成染色体图像质量筛选过程。

2.根据权利要求1所述的方法，其特征在于，步骤（3）中的卷积神经网络结构为EfficientNet-B3，所述结构为：核大小为3×3，通道数为40，步长为2的卷积层后接ReLU层，然后连接核大小分别为3×3、3×3、5×5、3×3、5×5、5×5、3×3，通道数分别是24、32、48、96、136、232、384的MBConv结构，最后连接核大小为1×1，通道数为1536，步长为2的卷积层和平均池化层。

3.根据权利要求1所述的方法，其特征在于，步骤（3）中的反向传播算法采用交叉熵损失函数计算在模型输出的质量评估结果和标注的质量结果的比对结果，再利用Adam优化器反向传播算法进行模型的训练，所述交叉熵损失函数形式如式（IV）所示：

（IV），

其中，L_{Cl S}是指交叉熵损失，i是指第张染色体图像，是一个批数据的数量，是标注的此批数据中第张图像的质量结果，数值为0或者1，分别代表质量低和质量高，是由模型计算得到的此批数据中第张图像的质量评估结果，数值范围0到1，取值越大代表质量越高。