[发明专利]一种基于深度学习的染色体自动分割和分类方法

权利要求书

1.一种基于深度学习的染色体自动分割和分类方法，其特征在于，包括以下步骤：

S1、获取染色体图像并使用Attention U-Net模型过滤掉非染色体的细胞杂质；

S2、对S1中的染色体图像使用Attention U-Net分割出染色体的轮廓，并使用带标记的分水岭算法进行分割优化，最终裁剪出各个染色体区域图像；

S3、对S2中获取的染色体区域提取基于轮廓的关键特征，采用提取的关键特征训练支持向量机、随机森林、逻辑回归分类器，并且采用投票法对三种分类器进行模型集成，最后将染色体区域判别为重叠\粘连染色体或单条染色体；

S4、对判别为重叠\粘连染色体分别设计单独的分割模块，针对重叠染色体，利用先分离再拼接的办法分割；针对粘连染色体，利用凸缺陷点检测的方法进行分割；

S5、构建基于ResNet20、ResNet32、ResNet44的染色体24分类模型，然后用堆叠法进行模型集成，输出最终的染色体分类结果以及核型分析图，供专业人员进行染色体异常识别。

2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：

S101、统一原始染色体图像尺寸、图像格式、通道数，数据增广；

S102、将含细胞等杂质的染色体图片输入到Attention U-Net网络进行训练，识别结果为对应杂质的掩膜，从而去除细胞杂质；

S103、使用中值滤波法对图像去噪。

3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：

S201、对染色体图像使用Attention U-Net分割出染色体的轮廓，并与原始图片进行或运算，得到带有染色体轮廓的图像；

S202、对带有染色体轮廓的图像进行二值化、形态学开运算，形态学膨胀操作得到背景区域，即染色体外部；

S203、距离变换得到前景区域，即染色体内部；

S204、前景区域减去背景区域得到未知区域；

S205、设置标记，背景和前景设为1，未知区域为0；

S206、执行分水岭得到染色体轮廓图；

S207、通过二值化、腐蚀膨胀填充细微断点；

S208、获得轮廓点集；

S209、判断并保存染色体内轮廓点；

S210、利用区域生长法制作每条染色体对应的掩膜，为了减小运算量，可以先对目标区域进行外接矩形裁剪，尽可能缩小需要遍历的区域；然后以矩形中心为种子进行填充，填充完的掩膜再原位替换回图片中；最后将掩膜依次与原图像或运算，将目标染色体分离出来；

S211、通过染色体的最小外接矩形顶点坐标，剪裁矩形区域，根据顶点坐标以及边长间的几何关系推算出矩形的旋转角度；然后旋转裁剪出来的染色体图像，使其在图片中竖直摆放。

4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：

S301、对提取出来的染色体进行标注，单条染色体标注为0，重叠\粘连染色体标注为1，由于重叠\粘连染色体远比单条染色体图像少，存在数据不平衡的现象，因此对非单条染色体进行数据增广；

S302、提取染色体轮廓的关键特征，包括：将所获得染色体轮廓形状拟合成凸包，计算闭合轮廓的面积和凸包面积的比值；将所获得染色体轮廓形状拟合成多边形，记录多边形的边数等特征；

S303、使用上述提取的染色体轮廓关键特征训练支持向量机、随机森林、逻辑回归分类器，并且采用投票法对三种分类器进行模型融合，判定染色体轮廓特征是否满足重叠条件，用以识别重叠\粘连染色体和单条染色体。

5.根据权利要求1所述的方法，其特征在于，步骤S4具体为：

S401、针对重叠染色体的分割，首先利用Attention U-Net提取重叠区域，再使用分水岭算法将交叉重叠区域中的重叠染色体分为两组：重叠部分和非重叠部分，对所有不重叠的部分进行配对后，将它们与交叉重叠部分相结合，输出所有的单条染色体；

S402、针对粘连染色体的分割，先找到所有的凸缺陷点，然后画出分割线来消除粘连。

6.根据权利要求1所述的方法，其特征在于，步骤S5具体为：

S501、模型的训练数据使用从已标注好的91组正常核型分析图中截取的单条染色体，包含44条常染色体以及XX或XY两条性染色体，一共有4184张单条染色体图片；

S502、将训练数据分别输入到ResNet20、ResNet32、ResNet44模型中进行训练，得到一个新的训练集和测试集；

S503、再用一个简单的两层全连接分类模型以真实训练集标签为标签训练,以新的训练集为特征进行训练，在新的测试集上得到最终的测试集分类准确率。