[发明专利]基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质

权利要求书

1.一种基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，包括：

获取若干无染色质的假阳性微核组学图像；

将所述无染色质的假阳性微核组学图像进行预处理并设为X类图像；

按照预定比例将所述X类图像划分为第一训练集和第一测试集；

获取若干有染色质的真阳性微核组学图像并通过上述步骤的方法进行预处理得到Y类图像，按照所述预定比例将所述Y类图像划分为第二训练集和第二测试集；

确定训练的网络参数，所述网络参数包括轮数和学习率；

将所述第一训练集和所述第二训练集数据输入CycleGAN网络进行训练，并用所述第一测试集和所述第二测试集数据测试训练效果；

提取训练好的所述CycleGAN网络模型的生成器G的参数；

将目标无染色质微核组学图像输入所述训练好的模型，生成风格转换的所述Y类图像。

2.如权利要求1所述的基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，将所述无染色质的假阳性微核组学图像进行预处理并设为X类图像包括，按照预定尺寸将染色切片内的无染色质的假阳性微核组学图像进行分割成若干子图。

3.如权利要求2所述的基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，所述预定尺寸为96*96，所述子图允许部分区域重叠。

4.如权利要求1至3任一项所述的基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，所述预定比例包括，所述第一训练集与所述第一测试集之比为8∶2；或，所述第一训练集与所述第一测试集之比为9∶1。

5.如权利要求4所述的基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，确定训练的网络参数包括，将轮数设置为100，对于前30轮训练，将学习率设为0.0002，对于30轮后的训练，将学习率逐步衰减。

6.如权利要求1所述的基于CycleGAN深度学习的细胞微核组学图像处理方法，其特征在于，将所述第一训练集和所述第二训练集数据输入CycleGAN网络进行训练，并用所述第一测试集和所述第二测试集数据测试训练效果包括，采用以下损失函数计算所述X类图像向所述Y类图像迁移的对抗损失：L_gan(G,D_Y,X,Y)＝E_y～Pdata(y)[logD_Y(y)]+E_x～Pdata(x)[log(1-D_Y(G(x))]；采用以下损失函数计算所述Y类图像向所述X类图像迁移的对抗损失：L_gan(F,D_x,Y,X)＝E_x～Pdata(x)[logD_x(x)]+E_y～Pdata(y)[log(1-D_x(F(y))]；采用以下损失函数计算所述X类图像与所述Y类图像的循环一致性损失：L_cycle(G,F)＝E_x～Pdata(x)[||F(G(x))-x||₁]+E_y～Pdata(y)[||G(F(y))-y||₁]；采用以下损失函数计算所述X类图像与所述Y类图像的身份一致性损失：L_Identity(G,F)＝E_y～Pdata(y)[||G(y)-y||₁]+E_x～Pdata(x)[||F(x))-x||₁]；采用以下损失函数计算所述X类图像与所述Y类图像的总体损失：L(G,F,D_x,D_y)＝L_gan(G,D_y,X,Y)+L_gan(F,D_x,Y,X)+λ₁L_cycle(G,F)+λ₂L_Identity(G,F，其中，λ₁为对抗损失与循环一致性损失之间的平衡参数，取值为10，λ₂为对抗损失与身份一致性损失之间的平衡参数，取值为5。