CN109492706A - 一种基于循环神经网络的染色体分类预测装置 - Google Patents

一种基于循环神经网络的染色体分类预测装置 Download PDF

Info

Publication number
CN109492706A
CN109492706A CN201811425376.1A CN201811425376A CN109492706A CN 109492706 A CN109492706 A CN 109492706A CN 201811425376 A CN201811425376 A CN 201811425376A CN 109492706 A CN109492706 A CN 109492706A
Authority
CN
China
Prior art keywords
chromosome
image
recognition
neural network
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811425376.1A
Other languages
English (en)
Other versions
CN109492706B (zh
Inventor
吴健
王彦杰
舒景东
王文哲
陆逸飞
吴福理
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Micromedicine Yun (hangzhou) Holding Co Ltd
Original Assignee
Micromedicine Yun (hangzhou) Holding Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Micromedicine Yun (hangzhou) Holding Co Ltd filed Critical Micromedicine Yun (hangzhou) Holding Co Ltd
Priority to CN201811425376.1A priority Critical patent/CN109492706B/zh
Publication of CN109492706A publication Critical patent/CN109492706A/zh
Application granted granted Critical
Publication of CN109492706B publication Critical patent/CN109492706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于循环神经网络的染色体分类预测装置，包括存储器、处理器以及计算机程序，存储器中存有染色体图像预处理模块和染色体分类结果预测模型；染色体分类结果预测模型包括序列特征提取模块，对序列特征提取模块输出的两条染色体的序列特征进行融合和分类的融合分类模块；处理器执行计算机程序时实现以下步骤：接收染色体图像，染色体图像预处理模块依次进行有效像素标记、染色体轮廓检测、分割成N个矩形图像；将两条染色体的N个矩形图像分别输入到序列特征提取模块，提取的序列特征Sn1和Sn2输出到融合分类模块，经计算输出染色体的分类预测概率；N的取值为10到20之间的整数。该装置能输出准确率较高的染色体分类结果的预测概率。

Description

一种基于循环神经网络的染色体分类预测装置
技术领域
本发明属于医疗影像数据处理领域，具体涉及一种基于循环神经网络的染色体分类预测装置。
背景技术
随着深度学习在图像领域取得的巨大发展，基于深度学习方法在医疗影像数据上也被广泛运用。目前，以深度学习为基础的计算机系统在识别并分割CT，病理切片，超声影像，MRI影像等方面，都有着比较突出的效果。
图像识别(Image Recogntion)，即图像分类(Image Classification)是计算机视觉的一个重要研究方向，其任务是通过计算机算法将单张图像分为C个类别。图像分类在实际运用中常用于光学字符识别，人脸检测等等。在医疗影像中，图像分类方法常被用于判断组织、细胞是否病变等任务。
图像分类方法目前主要基于卷积神经网络(Convolutional Neural Network,CNN)，1998年，LECUN等人首次提出了卷积神经网络LeNet模型被美国许多银行用来识别支票上的手写数字之后。各种不同架构的CNN模型在ImageNet竞赛中取得多次比赛的冠军，CNN在图像处理与目标识别领域被广泛应用，成为深度学习在图像处理领域的通用神经网络。
染色体(chromosome)是真核细胞在有丝分裂或减数分裂时遗传物质存在的特定形式，是间期细胞染色质结构紧密包装的结果，是染色质的高级结构，仅在细胞分裂时才出现。染色体有种属特异性，随生物种类、细胞类型及发育阶段不同，其数量、大小和形态存在差异。染色体是细胞核中载有遗传信息的物质，在显微镜下呈圆柱状或杆状。人体染色体的分类与识别是医学遗传学中的一项基本任务，应用计算机技术实现人体染色体自动分析与识别是人体染色体图像分析技术的重要研究课题。
染色体分析系统又称染色体图像分析系统/染色体核型分析系统主要应用于现代显微镜下的临床医学分析诊断，其最大的优点是清晰度高、计算机大屏幕下直接观察、计算机自动识别、分割染色体，标准染色体核型对照，自动排列，高了分析判断的准确度，并可以将图像方便存储、处理，为以后的分析总结提供宝贵资料，是医学显微图像分析的趋势。研究染色体自动分析系统的目的，就是要减轻技术人员的劳动强度，使他们从繁琐的重复劳动中解放出来，并最终将这些系统应用于临床，进行肿瘤患者的细胞遗传学鉴定、优生优育的检查等工作。尽管神经网络在染色体自动分析系统中的应用已经经过了多年的发展与完善，但仍存在一定的局限性：一是它首先需要一套准确无误的已分类染色体数据库，这对一般研究人员来说是不易得到的；二是分类的结果不够准确，甚至达不到训练有素的细胞学研究者的水平；三是神经网络有它固有的缺点——训练数据量庞大、训练时间长。
因此在今后的研究中，应该从优化神经网络的结构、提取有效特征、减少不必要的运算着手，继续改进和完善这个网络。
发明内容
本发明公开了一种基于循环神经网络的染色体分类预测装置，经过计算可以输出准确率较高的染色体分类结果的预测概率，该预测概率能够辅助医生进行肿瘤患者的细胞遗传学鉴定、优生优育的检查。
一种基于循环神经网络的染色体分类预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有染色体图像预处理模块和染色体分类结果预测模型；所述染色体分类结果预测模型包括序列特征提取模块，对序列特征提取模块输出的两条染色体的序列特征进行融合和分类的融合分类模块；
所述计算机处理器执行所述计算机程序时实现以下步骤：
接收染色体图像，染色体图像预处理模块依次进行掩膜M获取、染色体轮廓检测与分离、将每条染色体分割成以N个主干节点为中心的N个矩形图像，作为待测图像；
将两条染色体的N个矩形图像分别输入到序列特征提取模块，经特征提取后，提取的序列特征Sn1和Sn2输出到融合分类模块，经计算输出染色体的分类预测概率；
其中，N的取值范围为10到20之间的整数。
所述的掩膜M获取方法为用阀值法，将染色体中介于左右阀值之间的像素作为有效像素，并将对应的坐标点位置处置为1，非有效像素对应的坐标点位置处置为0，得到掩膜M。
具体地，左阈值L和右阈值R中L和R的范围为[0，255]。图像的像素值v满足L＜v＜R，为有效像素，那么此处像素对应的坐标点位置置为1，否则该位置置为0。
所述的染色体轮廓检测与分离包括：对掩膜M，使用轮廓检测算法，取得染色体图像中最大的两个连通区域，分离两个连通区域，分别作为染色体对中两条染色体的图像M1和M2。显微镜下拍摄的染色体图像存在多个连通区域，并且掩膜M中的有效像素对应的坐标点包括不属于染色体区域的干扰点，因此需要通过轮廓检测算法对染色体对中的每条染色进行提取并排除干扰点。
每条染色体分割成以N个主干节点为中心的N个矩形图像的方法为：
(1)将图像M1和M2中有效像素对应的坐标点分别组成点集；
(2)对点集S使用曲线插值方法得到拟合曲线；
(3)对于拟合曲线，取N个在x方向等距离的坐标点(x1，y1)，(x2，y2)...(xN，yN)作为染色体的主干节点；
(4)以N个主干节点为中心，将每条染色体分割成N个矩形图像。
所述的曲线插值方法选自线性插值、双线性插值或B样条曲线插值。
优选的，所述的曲线插值方法为B样条曲线插值法，该方法的鲁棒性强于其他两种插值方法。
所述的N个矩形图像的高为H、宽为W，H和W的取值范围为10至20的整数。
所述的染色体图像预处理模块将N个矩形图像分别以主干节点为中心旋转角度α，旋转角度α选取的方法为：
染色体具有一定曲率，因此输入矩形框的旋转角度需要和两个主干节点之间的斜率方向一致，保证取得的矩形框倾斜角度与染色体走向一致。
所述的序列特征提取模块包括：提取N个矩形图像的图像特征f的卷积层和激活层，对输入的图像特征f经N次循环输出序列特征Sn的循环神经网络层。
具体地，所述的卷积层为3-5个，每个卷积层后设置一个激活层。将每个卷积层和激活层称为卷积-激活层，即，提取N个矩形图像的图像特征f的网络结构为3-5个卷积-激活层。
所述的循环神经网络层的步长为N。所述的循环神经网络层选自RNN、LSTM或GRU。
优选的，所述的循环神经网络层为LSTM，LSTM具有长短期记忆功能，更加适用于长距离的序列检测；
所述的染色体分类结果预测模型在训练过程中采用交叉熵损失和梯度下降方法进行优化训练。
优化训练是指使真实标签与染色体分类结果预测模型预测得到的染色体分类标签的差值最小化。
差值最小化的方法为具体步骤为：
(1)使用交叉熵损失求出真实标签与预测置信度的损失H，所述交叉熵损失的具体公式为：
其中，p、q表示预测置信度与真实标签，与y分别表示对该类别的预测概率与真实标签的独热编码。
(2)使用学习率为lr的梯度下降法优化H直至训练收敛，所述lr的范围为10-4～10-2。
所述随机梯度下降法包括：SGD，Adam，RMSprop等。
所述的融合分类模块包括分类器，所述分类器选自逻辑斯蒂回归、支持向量机或k近邻分类。
所述的融合分类模块融合序列特征Sn1和Sn2的方法选自拼接法、求和法或求积法。
所述染色体分类结果预测模型可以在线下训练完成，然后存储在染色体分类预测装置中；或在线上训练完成，且每次应用时接收的待预测的染色体图像经染色体图像预处理模块预处理后可以作为训练样本，对染色体分类结果预测模型做优化更新。
本发明提供的染色体分类装置中经过计算可以输出准确率较高的染色体分类结果的预测概率，该预测概率能够辅助医生进行肿瘤患者的细胞遗传学鉴定、优生优育的检查。
附图说明
图1为实施例中输入的染色体图像；
图2为实施例中以染色体主干节点为中心分割的矩形；
图3为实施例中序列特征提取模型与分类器结构。
具体实施方式
为了进一步理解本发明，下面结合具体实施方法对本发明提供的一种基于循环神经网络的染色体分类方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
本实施例提供了一种基于循环神经网络的染色体分类预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，计算机存储器中存有染色体图像预处理模块和染色体分类结果预测模型；染色体分类结果预测模型包括序列特征提取模块，对序列特征提取模块输出的两条染色体的序列特征进行融合和分类的融合分类模块。
计算机处理器执行所述计算机程序时实现以下步骤：
S1、接收染色体图像，染色体图像预处理模块依次进行掩膜M获取、染色体轮廓检测与分离、每条染色体分割成以N个主干节点为中心的N个矩形图像，作为待测图像其中，N的取值范围为10到20之间的整数。本实施例中的染色体图像如图1所示。
S101、掩膜M获取。
将显微镜下拍摄的一对染色体图像使用阈值法标记图像中的有效像素，得到掩膜M。
具体地，使用左阈值L＝10和右阈值R＝240，若图像的像素值v满足L＜v＜R，那么此处像素对应的坐标点位置置为1，否则该位置置为0。
S102、染色体轮廓检测。
对掩膜M，使用轮廓检测算法，取得染色体图像中最大的两个连通区域，分离两个连通区域，分别作为染色体对中两条染色体的图像M1和M2。
S103、每条染色体分割成以N个主干节点为中心的N个矩形图像。
S1031、图像M1和M2中有效像素对应的坐标点分别组成点集S1和S2；
S1032、对点集S1和S2分别使用B样条插值法得到拟合曲线C1和C2；
S1033、对于拟合曲线C1和C2，分别取15个在x方向等距离的坐标点(x1，y1)，(x2，y2)...(x15，y15)作为染色体的主干节点。
S104、以15个主干节点为中心，如图2所示，在图像M1上裁剪共15个高为10，宽为10，旋转角度为α的矩形图像；同时在图像M2上裁剪共15个高为10，宽为10，旋转角度为α的矩形图像；两条染色体的15个矩形图像分次作为染色体分类结果预测模型的输入。
α选取的方法使用以下公式计算得出：
其中，n为1-15之间的正整数。染色体具有一定曲率，因此输入矩形框的旋转角度需要和两个主干节点之间的斜率方向一致，保证取得的矩形框倾斜角度与染色体走向一致。
S2、将两条染色体的15个矩形图像分别输入到序列特征提取模块，经特征提取后，提取的序列特征Sn1和Sn2输出到融合分类模块，经计算输出染色体的分类预测概率。
如图3所示，序列特征提取模块包括：提取15个矩形图像的图像特征f的卷积-激活层，对输入的图像特征f经15次循环输出序列特征Sn的循环神经网络层。其中，卷积-激活层为3个；循环神经网络层为LSTM，步长为15。
融合分类模块包括分类器，分类器为逻辑斯蒂回归。
其中，染色体分类结果预测模型在线下完成，在训练过程中采用交叉熵损失和梯度下降方法进行优化训练。优化训练是指使真实标签与染色体分类结果预测模型预测得到的染色体分类标签的差值最小化。分类标签为1-23号染色体中具体的种类。
差值最小化的方法为具体步骤为：
使用交叉熵损失求出真实标签与预测置信度的损失H，交叉熵损失的具体公式为：
其中，p、q表示预测置信度与真实标签，与y分别表示对该类别的预测概率与真实标签的独热编码。
使用学习率为lr＝10-4的SGD梯度下降法优化H，使H最小化直至训练收敛。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于循环神经网络的染色体分类预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，
所述计算机存储器中存有染色体图像预处理模块和染色体分类结果预测模型；所述染色体分类结果预测模型包括序列特征提取模块，对序列特征提取模块输出的两条染色体的序列特征进行融合和分类的融合分类模块；
所述计算机处理器执行所述计算机程序时实现以下步骤：
接收染色体图像，染色体图像预处理模块依次进行掩膜M获取、染色体轮廓检测与分离、将每条染色体分割成以N个主干节点为中心的N个矩形图像，作为待测图像；
将两条染色体的N个矩形图像分别输入到序列特征提取模块，经特征提取后，提取的序列特征Sn1和Sn2输出到融合分类模块，经计算输出染色体的分类预测概率；
其中，N的取值范围为10到20之间的整数。
2.根据权利要求1所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的掩膜M获取方法为用阀值法，将染色体中介于左右阀值之间的像素作为有效像素，并将对应的坐标点位置处置为1，非有效像素对应的坐标点位置处置为0，得到掩膜M。
3.根据权利要求2所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的染色体轮廓检测和分离包括：使用轮廓检测算法，取得掩膜M中最大的两个连通区域；分离两个连通区域，分别作为染色体对中两条染色体的图像M1和M2。
4.根据权利要求3所述的基于循环神经网络的染色体分类预测装置，其特征在于，每条染色体分割成以N个主干节点为中心的N个矩形图像的方法为：
(1)将图像M1和M2中有效像素对应的坐标点分别组成点集；
(2)对点集使用曲线插值方法得到拟合曲线；
(3)对于拟合曲线，取N个在x方向等距离的坐标点(x1,y1),(x2,y2)…(xN,yN)作为染色体的主干节点；
(4)以N个主干节点为中心，将每条染色体分割成N个矩形图像。
5.根据权利要求4所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的曲线插值方法选自线性插值、双线性插值或B样条曲线插值。
6.根据权利要求1或4所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的N个矩形图像的高为H、宽为W，H和W的取值范围为10至20的整数。
7.根据权利要求6所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的染色体图像预处理模块将N个矩形图像分别以主干节点为中心旋转角度α，旋转角度α选取的方法为：
8.根据权利要求1所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的序列特征提取模块包括：提取N个矩形图像的图像特征f的卷积层和激活层，对输入的图像特征f经N次循环输出序列特征Sn的循环神经网络层。
9.根据权利要求1所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的染色体分类结果预测模型在训练过程中采用交叉熵损失和梯度下降方法进行优化训练。
10.根据权利要求1所述的基于循环神经网络的染色体分类预测装置，其特征在于，所述的融合分类模块包括分类器，所述分类器选自逻辑斯蒂回归、支持向量机或k近邻分类。
CN201811425376.1A 2018-11-27 2018-11-27 一种基于循环神经网络的染色体分类预测装置 Active CN109492706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811425376.1A CN109492706B (zh) 2018-11-27 2018-11-27 一种基于循环神经网络的染色体分类预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811425376.1A CN109492706B (zh) 2018-11-27 2018-11-27 一种基于循环神经网络的染色体分类预测装置

Publications (2)

Publication Number Publication Date
CN109492706A true CN109492706A (zh) 2019-03-19
CN109492706B CN109492706B (zh) 2020-12-01

Family

ID=65696890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811425376.1A Active CN109492706B (zh) 2018-11-27 2018-11-27 一种基于循环神经网络的染色体分类预测装置

Country Status (1)

Country Link
CN (1) CN109492706B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533672A (zh) * 2019-08-22 2019-12-03 杭州德适生物科技有限公司 一种基于条带识别的染色体排序方法
CN110879996A (zh) * 2019-12-03 2020-03-13 上海北昂医药科技股份有限公司 一种染色体分裂相定位排序方法
CN111105032A (zh) * 2019-11-28 2020-05-05 华南师范大学 基于gan的染色体结构异常检测方法、系统及存储介质
CN111223084A (zh) * 2020-01-07 2020-06-02 华南师范大学 一种染色体切割数据的处理方法、系统和存储介质
CN112037180A (zh) * 2020-08-12 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体分割方法及装置
EP3832594A1 (en) * 2019-12-02 2021-06-09 Koninklijke Philips N.V. A method and system for processing medical images
CN113785361A (zh) * 2019-10-17 2021-12-10 美达系统硬件与软件股份有限公司 染色体自动化分析方法
TWI765262B (zh) * 2019-06-26 2022-05-21 長佳智能股份有限公司 根據仿真分離重疊染色體之分離模型的訓練方法及利用該分離模型分離重疊染色體的方法及系統
CN115601374A (zh) * 2019-08-22 2023-01-13 杭州德适生物科技有限公司（Cn） 一种染色体图像分割方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1259714A (zh) * 2000-01-13 2000-07-12 北京工业大学 一种自动识别人体染色体模式的动态神经元模糊计算模型
US20070265806A1 (en) * 2003-09-22 2007-11-15 Advanced Monitoring Systems, Inc. Systems and methods of generating diagnostic images for structural health monitoring
CN101510134A (zh) * 2008-02-14 2009-08-19 索尼株式会社 显示装置和摄像装置
CN102252633A (zh) * 2011-05-05 2011-11-23 陕西威蓝工业自动化有限公司 一种基于描点的轨道方向及水平不平顺测量方法
CN204207728U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种可监测人体健康状况的服装
CN204207729U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种健康监测智能服装
CN105925668A (zh) * 2016-04-12 2016-09-07 江苏省农业科学院 棉花单位点质量基因在染色体的快速定位方法
CN107025386A (zh) * 2017-03-22 2017-08-08 杭州电子科技大学 一种基于深度学习算法进行基因关联分析的方法
CN107326070A (zh) * 2017-06-21 2017-11-07 南京农业大学 一个簇毛麦4vl染色体特异的共显性分子标记及其引物和用途
CN108445222A (zh) * 2018-02-01 2018-08-24 浙江艾明德生物科技有限公司 一种定量检测心型脂肪酸结合蛋白的试剂盒及制备方法
CN108763874A (zh) * 2018-05-25 2018-11-06 南京大学 一种基于生成对抗网络的染色体分类方法及装置
CN108846802A (zh) * 2018-01-25 2018-11-20 湖南省自兴人工智能研究院 一种去除染色体g显带中期灰度图像噪声方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1259714A (zh) * 2000-01-13 2000-07-12 北京工业大学 一种自动识别人体染色体模式的动态神经元模糊计算模型
US20070265806A1 (en) * 2003-09-22 2007-11-15 Advanced Monitoring Systems, Inc. Systems and methods of generating diagnostic images for structural health monitoring
CN101510134A (zh) * 2008-02-14 2009-08-19 索尼株式会社 显示装置和摄像装置
CN102252633A (zh) * 2011-05-05 2011-11-23 陕西威蓝工业自动化有限公司 一种基于描点的轨道方向及水平不平顺测量方法
CN204207728U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种可监测人体健康状况的服装
CN204207729U (zh) * 2014-08-14 2015-03-18 绍兴县中国轻纺城纽妃诗服装服饰有限公司 一种健康监测智能服装
CN105925668A (zh) * 2016-04-12 2016-09-07 江苏省农业科学院 棉花单位点质量基因在染色体的快速定位方法
CN107025386A (zh) * 2017-03-22 2017-08-08 杭州电子科技大学 一种基于深度学习算法进行基因关联分析的方法
CN107326070A (zh) * 2017-06-21 2017-11-07 南京农业大学 一个簇毛麦4vl染色体特异的共显性分子标记及其引物和用途
CN108846802A (zh) * 2018-01-25 2018-11-20 湖南省自兴人工智能研究院 一种去除染色体g显带中期灰度图像噪声方法
CN108445222A (zh) * 2018-02-01 2018-08-24 浙江艾明德生物科技有限公司 一种定量检测心型脂肪酸结合蛋白的试剂盒及制备方法
CN108763874A (zh) * 2018-05-25 2018-11-06 南京大学 一种基于生成对抗网络的染色体分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MONIKA SHARMA: "Automatic Chromosome Classification using Deep Attention Based Sequence Learning of Chromosome Bands", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 *
张斌 等: "人类显带染色体的图像分析与识别系统", 《中国图像图形学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI765262B (zh) * 2019-06-26 2022-05-21 長佳智能股份有限公司 根據仿真分離重疊染色體之分離模型的訓練方法及利用該分離模型分離重疊染色體的方法及系統
US11348238B2 (en) 2019-06-26 2022-05-31 Ever Fortune.Ai Co., Ltd. Method and system for training a separation of overlapping chromosome recognition model based on simulation
CN110533672A (zh) * 2019-08-22 2019-12-03 杭州德适生物科技有限公司 一种基于条带识别的染色体排序方法
CN115601374A (zh) * 2019-08-22 2023-01-13 杭州德适生物科技有限公司（Cn） 一种染色体图像分割方法
CN115601374B (zh) * 2019-08-22 2023-12-08 杭州德适生物科技有限公司 一种染色体图像分割方法
CN113785361A (zh) * 2019-10-17 2021-12-10 美达系统硬件与软件股份有限公司 染色体自动化分析方法
CN111105032A (zh) * 2019-11-28 2020-05-05 华南师范大学 基于gan的染色体结构异常检测方法、系统及存储介质
EP3832594A1 (en) * 2019-12-02 2021-06-09 Koninklijke Philips N.V. A method and system for processing medical images
CN110879996A (zh) * 2019-12-03 2020-03-13 上海北昂医药科技股份有限公司 一种染色体分裂相定位排序方法
CN111223084A (zh) * 2020-01-07 2020-06-02 华南师范大学 一种染色体切割数据的处理方法、系统和存储介质
CN112037180A (zh) * 2020-08-12 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体分割方法及装置
CN112037180B (zh) * 2020-08-12 2023-08-08 湖南自兴智慧医疗科技有限公司 染色体分割方法及装置

Also Published As

Publication number Publication date
CN109492706B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN109492706A (zh) 一种基于循环神经网络的染色体分类预测装置
Eschweiler et al. CNN-based preprocessing to optimize watershed-based cell segmentation in 3D confocal microscopy images
US11901077B2 (en) Multiple instance learner for prognostic tissue pattern identification
US20230127698A1 (en) Automated stereology for determining tissue characteristics
WO2020253629A1 (zh) 检测模型训练方法、装置、计算机设备和存储介质
CN110472676A (zh) 基于深度神经网络的胃早癌组织学图像分类系统
CN110705403A (zh) 细胞分类方法、装置、介质及电子设备
CN109389129A (zh) 一种图像处理方法、电子设备及存储介质
Fujita et al. Cell detection and segmentation in microscopy images with improved mask R-CNN
Pan et al. Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks
CN109886346A (zh) 一种心肌mri图像分类系统
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
Cao et al. An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features
CN112470166A (zh) 用于分割医学图像中的重叠细胞质的方法及系统
CN114600155A (zh) 用于细胞检测和分割的弱监督多任务学习
Lokhande et al. Carcino-Net: A deep learning framework for automated Gleason grading of prostate biopsies
CN113902669A (zh) 一种尿脱落细胞液基涂片的阅片方法及系统
CN112784767A (zh) 基于白细胞显微图像的细胞实例分割算法
CN115953393A (zh) 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质
Cao et al. Automatic segmentation of pathological glomerular basement membrane in transmission electron microscopy images with random forest stacks
Liang et al. Weakly supervised deep nuclei segmentation with sparsely annotated bounding boxes for DNA image cytometry
CN113222944B (zh) 细胞核分割方法及基于病理图像的癌症辅助分析系统、装置
Mridha et al. convoher2: A deep neural network for multi-stage classification of her2 breast cancer
Kitrungrotsakul et al. A cascade of CNN and LSTM network with 3D anchors for mitotic cell detection in 4D microscopic image
CN113096080A (zh) 图像分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant