[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

说明书

本发明涉及细胞微核检测技术领域，提供了一种基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质，所述方法通过获取无假阳性微核组学图像与有染色质真阳性微核组学图像，将其进行相同的分割后划分为训练集与测试集，之后通过深度学习中的经典生成模型CycleGAN算法训练由无染色质微核组学图像向所述Y类图像转换的神经网络，训练完成后，固定网络中的生成器参数，即可实现将任意输入的无染色质微核组学图像转换为有染色质微核组学图像。本发明解决了相关技术中微核组学图像检测训练样本标签不足导致监督学习任务出现困难，不能有效生成和判别微核组学图像和图像处理效率低的问题。

技术领域

本发明涉及细胞微核检测技术领域，具体涉及一种基于CycleGAN 深度学习的细胞微核组学图像处理方法及存储介质。

背景技术

微核组学检测在综合图像处理外源性化学物质(如药品、食品添加剂、化妆品、环境污染物等)的遗传作用类型和模式以及癌症人群的高风险筛查和风险图像处理中具有重要意义。深度学习已经被广泛的应用于生物医学图像检测、分割的各种任务中，相比较于传统图像处理算法有更高的精度以及速度。但是受限于深度学习依赖大量的数据标注样本，而含微核的双核细胞数量在一般人群中通常为几千分之到数十千分之不等，在微核组学染色切片的微核阳性率双核细胞样本较少，且人群外周血等生物样本中含有多种细胞，导致存在很大一部分无染色质而形似含微核的假阳性微核组学样本，这样有染色质的真阳性微核组学样本较少，而无染色质的假阳性微核组学样本较多，所以直接选择有染色质真阳性微核组学样本作训练样本，面临数据不足和准确率低的困难，导致在检测过程中往往存在较高的假阳性率。

图像风格迁移技术可以实现将A类图像的风格迁移到B类图像中，例如将风景图像从夏天风格迁移到冬季，或者将作家莫奈的绘画作品风格迁移到作家梵高的绘画作品中，使得作家梵高的绘画作品具有作家莫奈的风格。为了充分利用微核组学染色切片中的无染色质假阳性微核组学样本，发挥切片中有染色质样本较少，无染色质样本多的特点，本发明提供了一种基于CycleGAN深度学习的细胞微核组学图像处理方法，采用CycleGAN图像风格迁移网络，将有染色质微核组学真阳性样本迁移生成无染色质假阳性微核组学样本，实现真阳性微核组学训练样本数据扩充的目的，通过增加训练样本数量，提高了图像处理精度。

发明内容

针对上述现有技术中存在的技术问题，本发明提供了一种基于 CycleGAN深度学习的细胞微核组学图像处理方法及存储介质，所述方法通过获取无染色质假阳性微核组学图像与有染色质真阳性微核组学图像，将其进行相同的分割后划分为训练集与测试集，之后通过深度学习中的经典生成模型CycleGAN算法训练由无染色质微核组学图像向有染色质微核组学图像转换的神经网络，训练完成后，固定网络中的生成器参数，即可实现将任意输入的无染色质微核组学图像转换为有染色质微核组学图像。本发明解决了相关技术中微核组学图像检测训练样本标签不足导致监督学习任务出现困难，不能有效生成和判别微核组学图像和图像处理效率低的问题。

第一个方面，本发明提供了一种基于CycleGAN深度学习的细胞微核组学图像处理方法,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。

进一步地，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；