[发明专利]一种基于深度学习的DNA碎片分析方法及相关设备

权利要求书

1.一种基于深度学习的DNA碎片分析方法，其特征在于，包括如下步骤：

预测步骤，获取目标图像并对图像中各个像素点进行精子DNA碎片类别的预测，精子DNA碎片类别包括：无光晕碎片和有光晕非碎片；

计算步骤，利用回归预测计算所述无光晕碎片的范围信息，以及，有光晕非碎片的光晕尺寸数据；

判断步骤，计算所述有光晕非碎片的光晕尺寸数据与精子近似短直径的比值，判断有光晕非碎片中的疑似碎片；

统计步骤，将无光晕碎片和所述疑似碎片用以估计精子DNA碎片率。

2.根据权利要求1所述的基于深度学习的DNA碎片分析方法，其特征在于，预测步骤前，还包括：构建步骤，即构建检测神经网络模型，包括：

训练样本中对目标类别匹配正样本数目；

平衡训练样本中目标类别的正负样本数量；

训练像素点框体的宽高回归预测模型；

计算出检测神经网络模型损失函数Loss，以及，通过所述损失函数Loss且采用随机梯度下降算法更新神经网络模型参数。

3.根据权利要求1或2所述的基于深度学习的DNA碎片分析方法，其特征在于，获取目标图像并对图像中各个像素点进行精子DNA碎片类别的预测包括：

采用基于anchor-free的检测神经网络对图像中各个像素点在进行非极大值抑制操作进行去重操作；

同时，预测无光晕碎片和有光晕非碎片和回归预测所需的边界框的宽高信息。

4.根据权利要求1所述的基于深度学习的DNA碎片分析方法，其特征在于，还包括：获取精子近似短直径，包括：

采用二值化分割得到正常有光晕的精子内部直径。

5.根据权利要求1所述的基于深度学习的DNA碎片分析方法，其特征在于，对目标类别匹配正样本数目，具体实现为：

利用SimOTA标签匹配策略，对目标类别设置动态样本数量，标记为k；

获取候选正样本信息，并计算所述候选正样本和真实结果的预测类别loss，以及，

边界框回归loss，计为cost代价数；

对所有候选正样本与真实结果进行IOU值计算，选取预设数量进行求和取整，得到整数是当前的dynamic_k值；

从cost代价数中选取前dynamic_k的作为正样本。

6.根据权利要求5所述的基于深度学习的DNA碎片分析方法，其特征在于，平衡训练样本中目标类别的正负样本数量具体实现为：

将所述预测类别loss进行varifocal loss计算，其公式为：

其中：

q0时，为正样本的loss计算，即在传统交叉熵上做加权；

q＝0时候为负样本时候的计算，为原始focal loss；

p是预测的IoU类别得分，q是该类别的目标分数，负样本时候为0，在为正样本时为真实样本和预测样本之间的IoU类别得分。