[发明专利]基于深度学习和图像处理算法的微核组学图像检测方法

说明书

本发明涉及细胞微核检测技术领域，提供了一种基于深度学习和图像处理算法的微核组学图像检测方法，包括：将预处理后的真阳性微核组学图像输入基于深度学习的微核组学检测模型进行训练以拟合微核组学各指标的特征，并分别获取训练好的各指标的模型参数，将预处理后的待测微核组学图像输入训练好的微核组学检测模型，得到输出图像，采用图像处理算法比较输出图像的微核区域面积和真阳性微核组学图像的微核区域面积，剔除不符合预定面积关系的假阳性微核样本，统计筛选后的微核组学各指标数据并形成可视化分析报告，实现对微核组学的大规模、多指标、高效率、高精度、可视化的检测和患癌风险的有效评估。

技术领域

本发明涉及细胞微核检测技术领域，具体涉及一种基于深度学习和图像处理算法的微核组学图像检测方法。

背景技术

微核组学试验可综合展示DNA损伤与修复、染色体断裂或丢失、基因分裂不稳定性、双着丝粒染色体、凋亡、坏死和细胞生长抑制等多种有害结局终点，其中的核质桥NPBs与微核MNi的比值可以作为判断染色体断裂丢失及遗传损伤修复的生物标志物，双核淋巴细胞微核率是2000个双核细胞中含有微核的细胞比例，因此双核细胞BN的检测对微核计数至关重要。同时，微核组学不仅广泛应用于综合检测外源性化学物质(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，还在患癌的风险筛查和风险预测中具有重要意义。

微核组学计数的传统方法包括人工镜检计数、流式细胞仪计数以及计算机图像分析系统计数。镜检计数是目前普遍采用的计数方法，通过工作人员在显微镜下不断的移动视野甚至更换涂片来计算微核细胞率，存在效率低、主观性强、难以标准化、复现困难等问题；流式细胞仪计数方法主要分为骨髓细胞的流式检测、外周血的流式检测和体外微核试验的流式检测三个方面，主要存在仪器价格昂贵、分析过的样本无法保存等问题；基于图像处理算法的计算机图像分析系统计数方法利用显微镜、摄像机等硬件获取图像，然后采用锐化等滤波算法对图像进行降噪，边缘检测等预处理，接着基于微核大小、形状、纵横比、相对凹凸深度、颜色等特征规则使用改进分水岭、种子区域生长、迭代阈值分割等算法提取感兴趣区域，从而实现微核计数，然而微核组学数据特征复杂多变，难以灵活快速设计一种或几种图像处理算法实现微核组学各指标的精确计数。同时，由于微核面积大小需要满足主核面积大小的1/20到1/3，如果仅仅使用目标检测模型进行检测，在检测后没有对检测出的目标通过图像处理的方法做二次验证，不能准确地筛选出待测微核组学图像中的真阳性微核组学图像，无法保证检测精度。

近年来，深度学习在医学图像分析中取得了明显进展，为医学的研究提供了新的手段和技术。定性分析是对显微图像性质特点进行概括，并没有形成量化指标，因此定性分析的结果不可复现，且受主观因素影响较大。定量分析是指依据统计数据，建立数学模型，从而计算微核组学的各种量化指标。传统机器学习算法和深度学习算法都可用于微核图像的定量分析，但依赖手工设计特征表达，即提取图像的形状、大小和纹理等特征并作挑选，剔除冗余特征得到最优特征集。并且，微核组学各指标手工特征的选取依赖于大量的专业知识，特别是微核与核芽突的共同特征较多，微核、核芽突、核质桥每一种指标在形状、颜色、大小、折光性等方面都有不同的特点，甚至指标类别相同的条件下，在大小、结构、颜色深浅上仍有一些不同，手工设计的提取规则难以涵盖图像的全面特征，导致其使用上饱受局限。

深度学习通过卷积、池化等逐级网络结构，可以将大量标注的微核组学图像从输入层传递到输出层，网络自主学习获取微核图像的高维以及低维特征。相比于其它机器学习算法，深度学习算法对大数据样本的特征提取能力更强。基于实验室不断积累的微核组学大数据显微图像，深度微核分析能充分发挥在大数据样本上的优势，推动微核组学定量定性分析的发展，辅助推动微核试验在癌症早期筛查与风险评估等研究中的应用。

因此基于上述理由，本发明提供了一种基于深度学习和图像处理算法的微核组学图像检测方法，实现对微核组学的大规模、多指标、高效率、高精度、可视化的检测和患癌风险的有效检测。

发明内容