[发明专利]基于卷积神经网络的染色体重要条带特征可视化方法及装置

说明书

本发明提供了一种基于卷积神经网络的染色体重要特征可视化方法。所述方法包括如下步骤：用训练数据集训练预设的卷积神经网络模型；将训练数据集输入训练后的卷积神经网络模型，得到各个染色体图片的分类结果、权重结果及特征结果；将各个染色体图片的特征结果与其权重结果相乘得到各个染色体图片的第一重要度信息；将各个染色体图片的第一重要度信息平均映射到该染色体图片对应的染色体条带上，得到纵向重要度信息；根据纵向重要度信息及各个染色体图片的分类结果对各个染色体图片进行统计分析，得到并展示卷积神经网络模型识别各类染色体的重要条带特征，能够实现对卷积神经网络判别染色体类别的染色体重要条带特征的可视化展示。

技术领域

本发明涉及智能医疗技术领域，尤其涉及一种基于卷积神经网络的染色体重要特征可视化方法及装置。

背景技术

人类染色体识别是医学遗传学的重要研究课题，其在医学临床诊断、辅助教学及科研等领域有着广泛的应用，它是判断人类遗传病的重要依据。随着人工智能的发展，卷积神经网络在图像处理领域应用广泛且十分有效。卷积神经网络在染色体的识别等方面取得了不错成效，拥有更高的准确度和更快的速度，能有效减轻医生的负担。

然而，在现有的技术中，虽然卷积神经网络在染色体的识别上已经达到了很高的精度，但是它并不能够完全代替人工识别，不能让人理解它所提取到的特征，无法实现对染色体重要条带特征可视化展示。

发明内容

本发明的目的在于一种基于卷积神经网络的染色体重要特征可视化方法及装置，能够实现对卷积神经网络判别染色体类别的染色体重要条带特征的可视化展示，便于建立医生对网络的信任，辅助医生识别染色体，同时便于研究者发现及学习不同类别的染色体之间的重要特征区别。

为实现上述目的，本发明提供了一种基于卷积神经网络的染色体重要特征可视化方法，包括如下步骤：

步骤S1、提供多张原始染色体图片，利用预设的拉直算法将各张原始染色体图片沿骨架线拉直得到多张训练图片，进而生成包括多张训练图片的训练数据集；

步骤S2、用所述训练数据集训练预设的卷积神经网络模型；

步骤S3、将训练数据集输入训练后的卷积神经网络模型，得到各个染色体图片的分类结果、权重结果及特征结果；其中，所述染色体图片的分类结果为所述卷积神经网络模型输出的该染色体图片中的染色体的类别；所述染色体图片的权重结果为卷积神经网络模型输出的该染色体图片中的染色体的类别对应的权重值；所述染色体图片的特征结果为卷积神经网络模型输出的该染色体图片的特征图值；

步骤S4、对各个染色体图片的特征结果与其权重结果进行加权处理，得到各个染色体图片的第一重要度信息；

步骤S5、将各个染色体图片的第一重要度信息平均映射到该染色体图片对应的染色体条带上，得到各个染色体图片的纵向重要度信息；

步骤S6、根据各个染色体图片的纵向重要度信息及各个染色体图片的分类结果对各个染色体图片进行统计分析，得到并展示所述卷积神经网络模型识别各类染色体的重要条带特征。

可选地，所述步骤S2中预设的卷积神经网络模型包括：依次连接的预处理模块、第一通道卷积层、第一最大池化层、第二通道卷积层、第二最大池化层、第三通道卷积层、第四通道卷积层、第三最大池化层、第五通道卷积层、第六通道卷积层、第四最大池化层、第七通道卷积层、第八通过卷积层、第九通过卷积层、全局平均池化层及全连接层；

所述染色体图片的分类结果为所述全连接层输出的该染色体图片中的染色体的类别；所述染色体图片的权重结果为所述全局平均池化层输出的该染色体图片中的染色体的类别对应的权重值；所述染色体图片的特征结果为第九通道卷积层输出的该染色体图片的特征图值。

可选地，所述预处理模块用于对改变训练图片的尺寸至预设尺寸，归一化训练图片的像素点值，以及对训练图片进行随机水平翻转和增加水平偏移的操作。