CN110390312A - 基于卷积神经网络的染色体自动分类方法和分类器 - Google Patents

基于卷积神经网络的染色体自动分类方法和分类器 Download PDF

Info

Publication number
CN110390312A
CN110390312A CN201910686208.6A CN201910686208A CN110390312A CN 110390312 A CN110390312 A CN 110390312A CN 201910686208 A CN201910686208 A CN 201910686208A CN 110390312 A CN110390312 A CN 110390312A
Authority
CN
China
Prior art keywords
chromosome
image
convolutional neural
neural networks
profile
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.)
Pending
Application number
CN201910686208.6A
Other languages
English (en)
Inventor
万涛
许静
阴赪宏
衣正阳
王一鹏
岳文涛
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.)
BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Beihang University
Original Assignee
BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Beihang University
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 BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY, Beihang University filed Critical BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Priority to CN201910686208.6A priority Critical patent/CN110390312A/zh
Publication of CN110390312A publication Critical patent/CN110390312A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于卷积神经网络的染色体自动分类方法和分类器，该方法基于卷积神经网络的分类器，利用数据驱动的方法，不再需要人工提取大量特征，基于卷积神经网络的分类器能自动从海量数据中提取出丰富的特征，免去了特征工程的麻烦，增加了特征提取的丰富度。上述方法有效地达到通过对海量特征的自动提取，实现增加分类结果准确性的目的。且由于实验所用的卷积神经网络具有的局部感受野和权值共享的特点，由此提高了网络的泛化能力，实现卷积神经网络具有更好性能的目的。

Description

基于卷积神经网络的染色体自动分类方法和分类器
技术领域
本公开涉及人工智能技术领域，具体而言，涉及一种基于卷积神经网络的染色体自动分类方法和分类器。
背景技术
人类的染色体共有46条，包括22对常染色体，X和Y染色体。常染色体和性染色体中都携带有遗传因子，遗传因子控制着遗传性状和人体的生理机能水平。正由于人类的遗传物质是由染色体携带的，因此当染色体发生异常时会导致多种致命疾病和先天缺陷症状。染色体异常主要分为两种情况，一种是染色体数目异常，称之为染色体数目畸变；另一种是染色体结构异常，染色体存在缺失、重复、插入、易位或倒位等现象，称之为染色体结构畸变。由染色体异常引起的疾病统称为染色体病。
现有研究表明，人类染色体疾病约有300余种，其中绝大多数染色体疾病导致患者出现机体多发畸形、智力低下、发育迟缓和多功能障碍等症状，并且染色体病会遗传给下一代，给家庭带来沉重的经济压力和生活负担，也给社会带来严重影响。染色体疾病在医学界被称为“无治之症”，目前针对染色体疾病并无有效的根治方法，只能通过产前诊断和遗传咨询来预防染色体疾病的发生。
在传统的染色体疾病诊断中，医生需要根据染色体图像来诊断患者病情。在染色体成像之前，医生需要先将培养好的染色体制成切片进行显微照相，由于图像中的染色体是杂乱无章的排布，需要从图像中分离出单个染色体与染色体分组图进行比对、分类，从而得到诊断结果。这种传统方法对医生或工作人员的经验以及专业性要求较高，需要医生手工操作且直接肉眼识别，工作量大，工作效率低。
发明内容
为了解决现有技术中的技术问题，本公开实施例提供了一种基于卷积神经网络的染色体自动分类方法和装置，建立染色体分类算法模型，实现染色体图像的自动分类，将医生从繁重单调的工作中解放出来，从而有精力为患者制定个性化的预防和治疗方案。
第一方面，本公开实施例提供了一种基于卷积神经网络的染色体自动分类方法，包括以下步骤：针对待分类染色体的染色体图像进行预处理；对预处理后的所述染色体图像依次执行个体染色体分割以及数据增强操作；通过预先训练好的基于卷积神经网络的染色体自动分类模型，对执行个体染色体分割以及数据增强操作后的所述染色体图像执行自动获取分类结果操作。
在其中一个实施例中，所述针对待分类的染色体的染色体图像进行预处理包括：对待分类所述染色体的所述染色体图像执行去噪操作。
在其中一个实施例中，所述去噪操作包括：利用中值滤波去除所述染色体图像中的随机噪点；其中，利用中值滤波去除所述染色体图像中的随机噪点包括：通过利用预设结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的为二维数据序列。
在其中一个实施例中，所述去噪操作包括：通过高斯滤波去除噪声干扰；其中，通过所述高斯滤波去除噪声干扰包括：用一个模板或卷积扫描图像中的每一个像素；用模板或卷积确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
在其中一个实施例中，所述针对待分类的染色体的染色体图像进行预处理包括：对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作；其中，对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作包括：通过直方图均衡化的方法对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作。
在其中一个实施例中，所述对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作包括还包括：通过对所述染色体图像执行随机旋转、移动、翻转、剪切的操作，实现对基于所述染色体图像的小数据集进行数据扩充的目的。
在其中一个实施例中，所述对预处理后的所述染色体图像依次执行个体染色体分割操作包括：获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作。
在其中一个实施例中，所述获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：通过OpenCV中的findContours函数寻找染色体轮廓，并采用编码的方法确定二值化后的所述染色体图像边界的围绕关系；确定所述染色体轮廓后，使用CV2.boundingRect函数获取轮廓的范围，其中，所述轮廓的范围包括左上角原点、轮廓的高和宽；通过CV2.rectangle函数自动画出并生成矩形轮廓。
在其中一个实施例中，所述获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：设计简易图像循环程序，其中，定义每次处理一张所述染色体图像直至所有所述染色体图像处理完成为所述简易图像循环程序的一次循环；将所有所述染色体图像作为集合输入至搭载有预先设计的简易图像循环程序的终端处理器进行处理。
第二方面，本公开提出了一种基于卷积神经网络的染色体自动分类器，包括所述的基于卷积神经网络的染色体自动分类方法以及基于卷积神经网络的染色体自动分类器的训练。
本发明提供的一种基于卷积神经网络的染色体自动分类方法和分类器，针对待分类染色体的染色体图像进行预处理；对预处理后的染色体图像依次执行个体染色体分割以及数据增强操作；通过预先训练好的基于卷积神经网络的染色体自动分类模型，对执行个体染色体分割以及数据增强操作后的染色体图像执行自动获取分类结果操作。该方法基于卷积神经网络的分类器，利用数据驱动的方法，不再需要人工提取大量特征，基于卷积神经网络的分类器能自动从海量数据中提取出丰富的特征，免去了特征工程的麻烦，增加了特征提取的丰富度。上述方法有效地达到通过对海量特征的自动提取，实现增加分类结果准确性的目的。且由于实验所用的卷积神经网络具有的局部感受野和权值共享的特点，由此提高了网络的泛化能力，实现卷积神经网络具有更好性能的目的。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍：
图1为本发明一个实施例中的一种基于卷积神经网络的染色体自动分类方法的步骤流程示意图；
图2为本发明另一实施例中的一种基于卷积神经网络的染色体自动分类方法的步骤流程示意图；
图3为针对图1与图2所示的分类器的工作流程示意图；以及
图4为针对图3所示的分类器模型的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明一种基于卷积神经网络的染色体自动分类方法和分类器的具体实施方式进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为一个实施例中的一种基于卷积神经网络的染色体自动分类方法的流程示意图，具体包括以下步骤：
步骤102，针对待分类染色体的染色体图像进行预处理。可理解的是，采集来的染色体图像由于含有部分模糊不清的染色体图像以及图像中噪声的干扰，需要对其进行图像去噪、图像对比度增强等预处理操作。
具体的，针对待分类的染色体的染色体图像进行预处理包括：对待分类染色体的染色体图像执行去噪操作。其中，去噪操作包括：利用中值滤波去除染色体图像中的随机噪点；其中，利用中值滤波去除所述染色体图像中的随机噪点包括：通过利用预设结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的为二维数据序列。
可以理解为，图像去噪操作，包括：利用中值滤波去除图像中的随机噪点，中值滤波是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。在此操作中利用的中值滤波方法既可以做到去除噪声又可以保护图像的边缘，是一种非线性的去噪方法。
此外，在一个实施例中，去噪操作还包括：通过高斯滤波去除噪声干扰；其中，通过高斯滤波去除噪声干扰包括：用一个模板或卷积扫描图像中的每一个像素；用模板或卷积确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。具体可以理解为：利用高斯滤波去除噪声干扰。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波是对整幅图像进行加权平均的过程，图像中每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板或卷积扫描图像中的每一个像素，用模板或卷积确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。该方法在去除噪声的同时还可以保持图像原有的信息特征。
进一步地，针对待分类的染色体的染色体图像进行预处理包括：对经过图像去噪操作后的待分类染色体的染色体图像执行图像对比度增强操作；其中，对经过图像去噪操作后的待分类染色体的染色体图像执行图像对比度增强操作包括：通过直方图均衡化的方法对经过图像去噪操作后的待分类染色体的染色体图像执行图像对比度增强操作。具体可以理解为：去除图像噪声后，为了改善图像的视觉效果，便于模型提取更有价值的特征信息，再利用直方图均衡化的方法来进行图像增强，其主要思想是将一幅图像的直方图分布变成近似均匀分布，从而增强图像的对比度，采用这种方法可以扩大染色体个体图像与染色体图像背景的差异，更凸显细节信息。
综上，通过图像预处理操作，利用中值滤波、高斯滤波和直方图均衡化的方法，实现了去除图像中噪声的干扰，并有效增强图像的对比度的目的。
步骤104，对预处理后的染色体图像依次执行个体染色体分割以及数据增强操作。
具体的，对预处理后的染色体图像依次执行个体染色体分割以及数据增强操作包括：获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作。可以理解的是，实现个体染色体分割和数据增强操作。通过获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将其包围；通过根据单个染色体所包围的矩形窗口将单个染色体分割；通过图像遍历的手段实现将所有图像的单个染色体分割的目的。
更进一步地，对经过图像去噪操作后的待分类染色体的染色体图像执行图像对比度增强操作包括还包括：通过对染色体图像执行随机旋转、移动、翻转、剪切的操作，实现对基于染色体图像的小数据集进行数据扩充的目的。具体的，利用数据增强的方法，主要是通过对染色体图像进行随机旋转、移动、翻转、剪切的操作，实现数据集扩充的目的。
需要说明的是，获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：通过OpenCV中的findContours函数寻找染色体轮廓，并采用编码的方法确定二值化后的所述染色体图像边界的围绕关系；确定染色体轮廓后，使用CV2.boundingRect函数获取轮廓的范围，其中，轮廓的范围包括左上角原点、轮廓的高和宽；通过CV2.rectangle函数自动画出并生成矩形轮廓。不难理解的是，获取每个染色体轮廓并用矩形窗包围，包括：利用OpenCV中的findContours函数寻找染色体轮廓，其原理是采用编码的方法确定二值图像边界的围绕关系，即确定外边界、孔边界以及他们的层次关系。由于这些边界和原图的区域有着一一对应的关系，因此我们可以用单个染色体的边界来表示该染色体图像。寻找到染色体轮廓后，使用CV2.boundingRect函数获取轮廓的范围，即左上角原点、轮廓的高和宽。然后用CV2.rectangle函数画出矩形轮廓。获取分割后的单个染色体图像，还包括：轮廓切割。个体染色体的轮廓切割主要是通过数组切片的方法来实现的，在切割图片时，数组的高和宽分别对应图片的宽和高。
进一步地，获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：设计简易图像循环程序，其中，定义每次处理一张所述染色体图像直至所有所述染色体图像处理完成为所述简易图像循环程序的一次循环；将所有染色体图像作为集合输入至搭载有预先设计的简易图像循环程序的终端处理器进行处理。可以理解为，利用图像遍历手段将每幅染色体图像进行遍历，得到所有染色体的个体分割图像。包括：设计简易图片循环程序，将所有图片作为集合输入计算机进行处理，每次处理一张图片直至所有图片处理完成，最后得到所有染色体图像中的个体染色体分割图像。
步骤106，通过预先训练好的基于卷积神经网络的染色体自动分类模型，对执行个体染色体分割以及数据增强操作后的染色体图像执行自动获取分类结果操作。
为了更清晰的理解并应用基于卷积神经网络的染色体自动分类方法，进行以下公开示例。需要说明的是，本公开所保护的范围不限于以下示例。
本公开实施例提供了一种基于卷积神经网络的染色体自动分类方法，包括：图像预处理操作、数据处理操作和实现染色体自动分类的分类器。图像预处理操作用于对图像进行干扰噪声的去除以及增强图像对比度，实现去除干扰、获得清晰图像的目的；数据处理操作用于对个体染色体进行分割和扩充数据集，实现分类器具有良好泛化性的目的。染色体自动分类器用于模型训练，实现自动获取分类结果的目的。
如图2所示，本实施例的基于卷积神经网络的染色体自动分类方法，包括：图像预处理、数据处理和染色体分类器。
其中，图像预处理中的中值滤波、高斯滤波和直方图均衡化的操作，用于去除染色体图像中的噪声干扰和增强图像对比度；数据处理中的个体染色体图像分割和数据增强，用于对数据集进行扩充；染色体分类器的构建，用于分类器的模型训练以及输出最后的分类结果。
在本发明的一个实施例中，图像预处理操作包括：中值滤波用于去除染色体图像中的随机噪点。高斯滤波用于去除高斯噪声并可以保护图像边缘信息不受噪声干扰。直方图均衡化用于增强染色体图像的对比度。
此外，数据处理操作包括：个体染色体图像的分割用于分类器的模型训练和分类识别，数据增强用于进行染色体图像数据集的扩增。需要说明的是，在深度学习的模型训练中，训练集的数据量大小是模型能否具有良好性能的关键因素。染色体数据集是小样本数据集，数据量较少，为了防止训练过程中出现过拟合的问题，实现模型具有较好泛化能力的目的，我们在算法中使用数据扩增方法来扩充数据量，此处的数据增强手段包括但不限定为对图像进行随机旋转、移动、翻转、剪切。此外，需要说明的是，分割出单个样本后，对样本进行标记，人类的染色体共有23对，但由于X、Y性染色体的特异性，将染色体分为22对常染色体、X染色体和Y染色体共24类。
在本发明的一个实施例中，染色体自动分类器包括模型训练以及输出最后分类结果。
可以理解的是，模型训练之前需要进行模型的搭建。以Keras为工具搭建一个图片分类框架，以Lenet5为基础搭建一个染色体图像自动分类网络及分类器。分类器共有八层，包括输入层、卷积层1、池化层1、卷积层2、池化层2、卷积层3、全连接层和输出层。需要说明的是，染色体分类是一个多分类问题，因此选取类别交叉熵来计算损失函数，用Adam优化器来优化损失函数。损失函数是一种用来估算预测值和实际值不一样程度的函数，它是一种非负值函数，当损失函数的值越小时，说明鲁棒性越好，系统越稳定。交叉熵的公式表示为H(p，q)＝-∑xp(x)logq(x)，交叉熵作为神经网络中的损失函数，可以衡量两个分布p、q的相似性。其中q表示真实标记的分布，q则为训练后模型的预测标记分布。
此外，需要说明的是，在深度学习网络训练过程中，卷积操作和池化操作十分关键，在卷积操作中，用一个可训练的滤波器去卷积输入的图像，然后将这个输入的图像加上一个偏置量，得到一个卷积层。卷积操作的公式表示：其中M表示输入特征图的集合，w表示权重，b为每个特征图输出上增加的偏置量。池化操作将每个相邻区域的四个像素求和变为一个像素，然后进行加权，再增加偏置量生成一个缩小1/4的特征映射图。
此外，需要说明的是，输入层输入染色体图像，输入数据图片的大小为64*64，三个卷积层每一层都有16个3*3大小的卷积核用来提取高维特征信息，平均池化窗口大小为2*2，经过第一次卷积之后得到大小为64*64*16的特征图像，经过第一次池化之后得到大小为32*32*16的特征图像，经过第二层卷积层之后得到大小为32*32*16的特征图像，经过第二次池化后得到大小为8*8*16的特征图像，最后一层卷积层得到8*8*16大小的特征图像，全连接层经softmax激活后输出分类结果。输出层有24个神经元对应24类分类结果，每个神经元输出最大概率的类。Softmax函数是深度学习最常用的函数之一，常用于神经网络的最后一层，并作为输出层的多分类运算，softmax的数学表达式为：y＝Softmax(Wx+b)，对输入的x加权求和，再分别增加一个偏置量。
图3为针对图1与图2所示的染色体图像自动分类器工作流程图。
步骤201，获取个体染色体图像用作训练样本。其中，24类个人染色体图像的数量要大致相同，防止类间分布不均衡，保证分类模型具有较好的泛化能力。
步骤202，利用数据增强的方法进行数据集的扩充。此处的数据增强手段包括但不限定为对图像进行随机旋转、移动、翻转、剪切。此外，需要说明的是，分割出单个样本后，对样本进行标记，人类的染色体共有23对，但由于X、Y性染色体的特异性，将染色体分为22对常染色体、X染色体和Y染色体共24类。
进一步地，将上述扩充后的数据集部分用于分类器的训练。需要说明的是，数据处理后的数据集，80％的染色体图像用于训练集，20％的染色体图像用作测试集。
步骤203，将数据集部分选做训练集，输入分类器模型进行训练。需要说明的是，本次训练的参数设置：epoch＝200，batch size＝28。通过迭代的对数据进行训练，得到的模型对测试集进行预测，计算模型在测试集上的准确率。实验中，Loss用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。随着训练次数的增多，训练集loss在不断下降，将loss下降范围趋于稳定时，模型训练成功。
步骤204，选取测试集数据用于染色体图像输入。
步骤205，加载已训练好的染色体图像自动分类器，将测试集作为模型输入层，输入层输入染色体图像，输入数据图片的大小为64*64，三个卷积层每一层都有16个3*3大小的卷积核用来提取高维特征信息，平均池化窗口大小为2*2。
步骤206，输出层有24个神经元对应24类分类结果，每个神经元输出最大概率的类，实现输入个体染色体图像输出染色体分类结果的目的。
如图4所示，分类器的网络结构，同于模型训练以及个体染色体图像的自动识别和分类。
其中，输入层为输入的个体染色体图像，图像大小为64*64；卷积层1中，卷积的输入区域大小是3*3，卷积层1中有16个特征图谱，每个特征图谱内参数共享，即每个特征图谱内只使用一个共同卷积核，卷积核有3*3个连接参数，加上一个偏置参数共有10个参数。卷积层1中共有10*16个训练参数。经过第一次卷积之后得到大小为64*64*16的特征图像；池化层1实际上是一个下采样层，利用图像局部相关性的原理，对图像进行子抽样，可以达到减少数据处理量同时保留图像有用信息的目的。平均池化窗口设为2*2，经过第一次池化之后得到大小为32*32*16的特征图像；卷积层2也是一个卷积层，卷积核同卷积层1相同，不同的是卷积层2的每个节点与池化层1中的多个图以不对称的组合连接形式相连，实现提取多种组合特征的目的，经过第二层卷积层之后得到大小为32*32*16的特征图像。池化层2也是一个下采样层，平均池化窗口、连接方式与池化层1相同，经过第二次池化后得到大小为8*8*16的特征图像；卷积层3用来提取高维特征信息，卷积计算后得到8*8*16大小的特征图像；全连接层经Softmax函数激活后与输出层相连，直接输出分类结果。输出层有24个神经元对应24类分类结果，每个神经元输出最大概率的类。
其中，需要特别说明的是，三个卷积层每一层都有16个3*3大小的卷积核用来提取高维特征信息，池化层的每一层的平均池化窗口大小均为2*2。
此外，本公开还提供了一种基于卷积神经网络的染色体自动分类器，包括分类器训练和染色体自动分类。
本发明提供的一种基于卷积神经网络的染色体自动分类方法和分类器，针对待分类染色体的染色体图像进行预处理；对预处理后的染色体图像依次执行个体染色体分割以及数据增强操作；通过预先训练好的基于卷积神经网络的染色体自动分类模型，对执行个体染色体分割以及数据增强操作后的染色体图像执行自动获取分类结果操作。该方法基于卷积神经网络的分类器，利用数据驱动的方法，不再需要人工提取大量特征，基于卷积神经网络的分类器能自动从海量数据中提取出丰富的特征，免去了特征工程的麻烦，增加了特征提取的丰富度。上述方法有效地达到通过对海量特征的自动提取，实现增加分类结果准确性的目的。且由于实验所用的卷积神经网络具有的局部感受野和权值共享的特点，由此提高了网络的泛化能力，实现卷积神经网络具有更好性能的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
为了示例和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于卷积神经网络的染色体自动分类方法，其特征在于，包括以下步骤：
针对待分类染色体的染色体图像进行预处理；
对预处理后的所述染色体图像依次执行个体染色体分割以及数据增强操作；
通过预先训练好的基于卷积神经网络的染色体自动分类模型，对执行个体染色体分割以及数据增强操作后的所述染色体图像执行自动获取分类结果操作。
2.根据权利要求1所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述针对待分类的染色体的染色体图像进行预处理包括：对待分类所述染色体的所述染色体图像执行去噪操作。
3.根据权利要求2所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述去噪操作包括：利用中值滤波去除所述染色体图像中的随机噪点；
其中，利用中值滤波去除所述染色体图像中的随机噪点包括：通过利用预设结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的为二维数据序列。
4.根据权利要求2所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述去噪操作包括：通过高斯滤波去除噪声干扰；
其中，通过所述高斯滤波去除噪声干扰包括：用一个模板或卷积扫描图像中的每一个像素；用模板或卷积确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
5.根据权利要求1所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述针对待分类的染色体的染色体图像进行预处理包括：对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作；
其中，对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作包括：通过直方图均衡化的方法对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作。
6.根据权利要求5所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述对经过图像去噪操作后的待分类所述染色体的所述染色体图像执行图像对比度增强操作包括：通过对所述染色体图像执行随机旋转、移动、翻转、剪切的操作，实现对基于所述染色体图像的小数据集进行数据扩充的目的。
7.根据权利要求1所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述对预处理后的所述染色体图像依次执行个体染色体分割操作包括：获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作。
8.根据权利要求7所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：通过OpenCV中的findContours函数寻找染色体轮廓，并采用编码的方法确定二值化后的所述染色体图像边界的围绕关系；
确定所述染色体轮廓后，使用CV2.boundingRect函数获取轮廓的范围，其中，所述轮廓的范围包括左上角原点、轮廓的高和宽；
通过CV2.rectangle函数自动画出并生成矩形轮廓。
9.根据权利要求7所述的基于卷积神经网络的染色体自动分类方法，其特征在于，所述获取每个染色体轮廓，并依照染色体轮廓使用矩形窗口将所述每个染色体包围，并通过图像遍历的方式实现将所有图像的每个染色体分割的操作包括：设计简易图像循环程序，其中，定义每次处理一张所述染色体图像直至所有所述染色体图像处理完成为所述简易图像循环程序的一次循环；
将所有所述染色体图像作为集合输入至搭载有预先设计的简易图像循环程序的终端处理器进行处理。
10.一种基于卷积神经网络的染色体自动分类器，其特征在于，包括权利要求1-9任一项所述的基于卷积神经网络的染色体自动分类方法以及基于卷积神经网络的染色体自动分类器的训练。
CN201910686208.6A 2019-07-29 2019-07-29 基于卷积神经网络的染色体自动分类方法和分类器 Pending CN110390312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910686208.6A CN110390312A (zh) 2019-07-29 2019-07-29 基于卷积神经网络的染色体自动分类方法和分类器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910686208.6A CN110390312A (zh) 2019-07-29 2019-07-29 基于卷积神经网络的染色体自动分类方法和分类器

Publications (1)

Publication Number Publication Date
CN110390312A true CN110390312A (zh) 2019-10-29

Family

ID=68287725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910686208.6A Pending CN110390312A (zh) 2019-07-29 2019-07-29 基于卷积神经网络的染色体自动分类方法和分类器

Country Status (1)

Country Link
CN (1) CN110390312A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311600A (zh) * 2020-01-16 2020-06-19 杭州德适生物科技有限公司 一种基于语义分割的染色体图像增强方法
CN111951266A (zh) * 2020-09-01 2020-11-17 厦门汉舒捷医疗科技有限公司 一种染色体畸变的人工智能识别分析方法
CN113158950A (zh) * 2021-04-30 2021-07-23 天津深析智能科技发展有限公司 一种重叠染色体自动分割方法
CN118072834A (zh) * 2024-04-17 2024-05-24 笑纳科技(苏州)有限公司 一种基于主动学习的染色体多分类方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146838A (zh) * 2018-06-20 2019-01-04 湖南自兴智慧医疗科技有限公司 一种基于几何特征与区域融合的g显带粘连染色体分割方法
CN109190473A (zh) * 2018-07-29 2019-01-11 国网上海市电力公司 一种“机器视觉理解”在电力远程监控中的应用
CN109285174A (zh) * 2017-07-19 2019-01-29 塔塔咨询服务公司 基于众包和深度学习的染色体分割和核型分析
CN109300111A (zh) * 2018-08-27 2019-02-01 杭州德适生物科技有限公司 一种基于深度学习的染色体识别方法
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统
US20190156159A1 (en) * 2017-11-20 2019-05-23 Kavya Venkata Kota Sai KOPPARAPU System and method for automatic assessment of cancer

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285174A (zh) * 2017-07-19 2019-01-29 塔塔咨询服务公司 基于众包和深度学习的染色体分割和核型分析
US20190156159A1 (en) * 2017-11-20 2019-05-23 Kavya Venkata Kota Sai KOPPARAPU System and method for automatic assessment of cancer
CN109146838A (zh) * 2018-06-20 2019-01-04 湖南自兴智慧医疗科技有限公司 一种基于几何特征与区域融合的g显带粘连染色体分割方法
CN109190473A (zh) * 2018-07-29 2019-01-11 国网上海市电力公司 一种“机器视觉理解”在电力远程监控中的应用
CN109300111A (zh) * 2018-08-27 2019-02-01 杭州德适生物科技有限公司 一种基于深度学习的染色体识别方法
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311600A (zh) * 2020-01-16 2020-06-19 杭州德适生物科技有限公司 一种基于语义分割的染色体图像增强方法
CN111951266A (zh) * 2020-09-01 2020-11-17 厦门汉舒捷医疗科技有限公司 一种染色体畸变的人工智能识别分析方法
CN113158950A (zh) * 2021-04-30 2021-07-23 天津深析智能科技发展有限公司 一种重叠染色体自动分割方法
CN113158950B (zh) * 2021-04-30 2022-04-05 天津深析智能科技发展有限公司 一种重叠染色体自动分割方法
CN118072834A (zh) * 2024-04-17 2024-05-24 笑纳科技(苏州)有限公司 一种基于主动学习的染色体多分类方法
CN118072834B (zh) * 2024-04-17 2024-07-16 笑纳科技(苏州)有限公司 一种基于主动学习的染色体多分类方法

Similar Documents

Publication Publication Date Title
CN109886986B (zh) 一种基于多分支卷积神经网络的皮肤镜图像分割方法
CN110390312A (zh) 基于卷积神经网络的染色体自动分类方法和分类器
Lau et al. Automatically early detection of skin cancer: Study based on nueral netwok classification
Wu et al. U-GAN: Generative adversarial networks with U-Net for retinal vessel segmentation
Shyamalee et al. Glaucoma detection with retinal fundus images using segmentation and classification
Militante Malaria disease recognition through adaptive deep learning models of convolutional neural network
Wen et al. Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis
Abiyev et al. Fuzzy neural networks for identification of breast cancer using images' shape and texture features
Xia et al. Mapping functions driven robust retinal vessel segmentation via training patches
CN111899259A (zh) 一种基于卷积神经网络的前列腺癌组织微阵列分级方法
Salam et al. Diagnosing of dermoscopic images using machine learning approaches for melanoma detection
Deeksha et al. Classification of Brain Tumor and its types using Convolutional Neural Network
Fayyadh et al. Brain tumor detection and classifiaction using CNN algorithm and deep learning techniques
Ning et al. Multiscale context-cascaded ensemble framework (MsC 2 EF): application to breast histopathological image
Mohan et al. MRI Brain Tumor Detection and Classification Using U-NET CNN
Elelimy et al. Towards automatic classification of breast cancer histopathological image
CN113066054A (zh) 一种用于计算机辅助诊断的宫颈oct图像特征可视化方法
Liu et al. Analyze EEG signals with convolutional neural network based on power spectrum feature selection
Li et al. Classification of tongue coating using Gabor and Tamura features on unbalanced data set
CN106709480A (zh) 基于加权强度pcnn模型的分块人脸识别方法
CN111127407A (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
Shobarani et al. Melanoma Malignancy Prognosis Using Deep Transfer Learning
Parraga et al. A review of image-based deep learning algorithms for cervical cancer screening
Nandhini et al. Detection of glaucoma using convolutional neural network (CNN) with super resolution generative adversarial network (SRGAN)
Kak et al. Design and Enhancement of a CNN Model to Augment the Face Recognition Accuracy

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191029