[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

说明书

本发明公开了一种基于深度学习的染色体自动分割和分类方法，包括以下步骤：获取染色体图像并使用Attention U‑Net模型过滤细胞杂质；分割染色体并裁剪出各个染色体区域图像；对获取的染色体区域提取特征并训练支持向量机、随机森林、逻辑回归分类器，采用投票法进行模型集成，进而识别重叠\粘连染色体或单条染色体；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；将标注好类型的染色体训练数据分别输入到24分类模型ResNet20、ResNet32、ResNet44模型中进行训练，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染色体核型分析图，以便进行染色体异常识别。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的染色体自动分割和分类方法。

背景技术

染色体分析(核型分析)是生物学研究领域非常重要而且很困难的任务，染色体分析的目的就是要确定细胞或个体的染色体组成，尤其是要将其与正常结构间的差异与生理的或临床疾病关联起来。观察细胞分裂中期染色体的核型是一个很困难和繁重的过程。首先，培养样本组织的细胞，使用培养物进行切片及染色；然后在准备好的显微切片上寻找适合观察的细胞，并用摄像头以数字形式捕获，细胞遗传学人员人工按他们的形态和带型将单条染色体分离，再将它们粘贴到一个模板以产生最后的核型分析图；最后分析核型图来检查是否可能存在遗传疾病等。

针对染色体中期图像进行人工分割和分类处理主要有以下难点：(1)染色体中期图像包含较多的染色体，分割出所有的染色体需要耗费大量的时间和精力，杂质的存在和染色体之间的粘连和重叠也增加了分割工作的难度；(2)需要专业的医生花费大量的时间和精力，根据不同类别染色体的形态结构对分割后的单条染色体进行分类，而一些染色体由于玻片制作的原因导致形态结构的差异较小，使分类难度增大，分类准确度降低；(3)专业医生人才稀缺，培养时间长、成本高。本发明将染色体的分割-分类问题与图像处理、机器学习、深度学习等技术相结合，开发一套可靠的染色体自动分割-分类系统，实现染色体核型分析的自动化、智能化，整体提高染色体分割-分类的效率和准确率。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，即目前的染色体核型分析方法耗时长、效率低、准确率不足无法满足临床工作的需求，为此本发明提供一种基于深度学习的染色体自动分割和分类方法来解决人工分割和分类处理存在的难点。

本发明采用以下技术方案：

一种基于深度学习的染色体自动分割和分类方法，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、构建了基于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。

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；