[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

说明书

本发明公开了一种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，所述方法和系统使用附带标注的分裂中期细胞染色体图像构建训练集和测试集，并进行模型的构建和训练。模型完成训练后，可以对输入的一个病例的每一张染色体图像进行质量评估，输出每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排序，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取足够进行诊断的染色体图像即可完成染色体图像质量筛选过程。所述方法和系统数据来源简单，能够准确评价染色体图像质量的高低，AUC值为0.927，模型检测速度快，检测速度大大快于人工速度。

技术领域

本发明涉及计算机视觉，图像处理，染色体质量评估，染色体质量筛选等技术领域。

背景技术

在现阶段，染色体核型分析是临床遗传疾病检查的主要方法，是产前诊断金标准。该方法通过观察处于分裂中期细胞的G显带染色体，根据染色体固有的结构特征，例如染色体数目、长度、显带特点、着丝粒位置、臂比、随体大小等，对染色体进行分割、分组、配对、计数，最后得到核型分析报告。

目前临床上核型分析主要分为以下步骤，即染色体图像质量筛选、染色体计数、染色体分类配对（包含染色体分割、分类、极性判断等）及出具分析报告，目前市面上在用的核型自动分析系统（如徕卡 CytoVision系统）完成以上步骤主要依赖人工操作，常规情况下，诊断一个病例需要做5-10个核型图，至少计数20个图。

当前，分裂中期细胞的染色体质量筛选多为人工挑选并标记。临床分析中，一个患者一般会拍摄得到约200张分裂中期细胞的染色体图像，实验室医生会挑选其中能够达到诊断要求数量的小部分高质量图像进行接下来的计数及分类配对。常见的做法为：查看所有图像，将质量最好的标记为一种颜色，供做图使用，再将质量其次的标记为另一种颜色，供计数使用。如果遇到有染色体嵌合，需要计数50或100张图片，而标记的图片数量不够，则再浏览剩余图像，直到选择到足够的图像为止。由于每个病例得到的染色体图像数量众多，而诊断所需图片数量较少，临床医生进行质量评估时需要将所有的图片进行浏览并标记，耗费大量时间和眼力。

发明人在进行AI辅助进行染色体核型诊断研究以提高诊断效率时，发现现有技术中该项缺陷由于全部依赖人工导致的，发明人发现使用计算机技术自动进行染色体图片质量筛选可以有效解决该缺陷，并可以通过基于深度学习的分裂中期细胞染色体质量筛选方法来实现。

在调研深度学习算法时，发明人了解到深度学习算法可以有效地实现染色体质量筛选，其实现相较于传统的计算机视觉技术，效果更好，鲁棒性更强。首先通过模型得到每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排列，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取多张染色体图像即可完成染色体图像质量筛选过程。

发明内容

本发明的目的是解决临床医生使用现有技术人工进行显微镜视野下分裂中期细胞G显带染色体图像质量筛选效率较低的问题，基于上述目的，本发明首先提出一种基于深度学习的分裂中期细胞染色体图像质量筛选方法，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%；

上述染色体质量标注是对一张显微镜下扫描的染色体图像进行质量评估后进行的标注，如果一张核型图包含一套完整染色体，分散度好、交叉重叠少、条带清晰，长短适中，G显带方法可达320-400条带，则被标注为高质。如果一张核型图拍摄包含明显少于或多于一个细胞的染色体数目，染色体条带模糊不清、或条带数量320，染色体过短或弯曲，交叉重叠导致条带遮挡较多，则被标注为低质。在实际应用中可根据技术领域中对图像质量的具体要求而选择不同的质量标准进行标注，以满足不同的技术应用需求，本发明提供的方法均能根据所设置的图像质量标准开展学习训练和检测，从而提供满足所标注高质标准的图像筛选。