CN110533672A - 一种基于条带识别的染色体排序方法 - Google Patents

Abstract

本发明公开了一种基于条带识别的染色体排序方法，属于染色体图像处理技术领域。现有染色体排序方法，由于人工识别，容易受到干扰，导致挑选、排列的准确度低，影响医生对其结构的对比。本发明包括以下步骤：第一步，得到染色体核型图；第二步，对核型图进行染色体切割，切割出若干染色体图像，并识别染色体类型；第三步，提取多张同号染色体的图像，基于智能算法模型识别染色体条带类型；第四步，对划分完成的若干染色体图像，按照其染色体条带类型变化进行排序。本发明能够对染色体图像所属条带类型进行预测，进而能够准确识别染色体条带数，并按照染色体条带数进行合理排序，进而便于医生观察染色体结构，能够有效减少医生负担，省时省力。

Description

一种基于条带识别的染色体排序方法

技术领域

本发明涉及一种基于条带识别的染色体排序方法，属于染色体图像处理技术领域。

背景技术

近代细胞遗传学表明，在人体各组织中，虽然细胞的各种成分不同，结构差异巨大，但细胞核内的染色质却保持相对恒定。在体细胞分裂中，46条染色体有规律地进行复制，然后均等地分给两个子细胞，所以两个子细胞都保持了相同的46染色体。

在细胞培养过程中，常见的染色体条带模型有300、400、550、700和800条带，其中条带越多表示染色体结构特征越详细。

现有的染色体排序方法，医生需要挑选多张分散良好、长度适中、带型清晰的中期分裂相图片，并对这些图片进行逐一计数，并对最好的几张中期分裂相图片进行排列识别，便于医生观察染色体结构，并进行对比分析。

上述排序方法，存在以下不足：

第一、需要人工挑选以及手工排列染色体核型图，检测方法效率低，费时费力；

第二、由于人工识别，主观性比较强，容易受到干扰，导致挑选、排列的准确度低，影响医生对其结构的对比以及观察。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于深度学习模型对染色体图像所属条带类型进行预测，能够准确识别染色体条带数，并按照染色体条带数进行合理排序，进而便于医生观察染色体结构，能够有效减少医生负担，省时省力的基于条带识别的染色体排序方法。

为实现上述目的，本发明的技术方案为：

一种基于条带识别的染色体排序方法，包括以下步骤：

第一步，得到染色体核型图；

第二步，对核型图进行染色体切割，切割出若干染色体图像，并识别染色体类型；

第三步，提取多张同号染色体的图像，基于智能算法模型识别染色体条带类型；

利用智能算法模型，对不同染色体图像，分别预测其所属条带类型的概率值；

然后根据概率值的大小，判断该染色体图像所属条带类型，完成染色体图像的划分；

第四步，对划分完成的若干染色体图像，按照其染色体条带类型变化进行排序。

本发明基于智能算法模型对染色体图像所属条带类型进行预测，进而能够准确识别染色体条带数，并按照染色体条带数进行合理排序，进而便于医生观察染色体结构，能够有效减少医生负担，省时省力。

连通域分割主要是连通区域标记，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，进一步的能够获取这些块几何参数；所述几何参数为块的轮廓或外接矩形或质心或不变矩；骨架提取，即二值图像细化，将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。

作为优选技术措施：

所述智能算法模型为模拟退火或/和遗传算法或/和神经网络或/和深度学习模型；

所述染色体条带类型根据条带数进行划分，所述条带数为300或400或550或700或800；

根据染色体条带类型的识别结果，按照300、400、550、700和800条带数的顺序，对同号染色体图像进行排序，使得在观察特征的时候能够从少到多查看同一号染色体的特征。其排列方式可以是横向排列或者竖向排列，优选横向排列，便于医生同一视角进行观察。

作为优选技术措施：

所述第二步：

染色体核型图切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取简单的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割；

其包括以下情形：

(1)单条染色体与交叉染色体的分离；计算出平均染色体面积与单条染色体最大面积，然后通过对染色体前景部分进行连通域分析，提取出各个连通域的图像，进行闭操作与中值滤波后分析骨架，根据骨架的不同将该连通域分别归类为单条染色体与交叉染色体；

(2)粘连交叉染色体的自动分割；对于交叉染色体再进行连通域分析，通过骨架分析等操作寻找切割点进行切割，切割出的染色体放入单条染色体类别中，其他染色体等待进一步自动切割；

(3)交叉染色体的进一步切割；对于剩余的交叉染色体，利用分离重叠染色体的方法进行进一步切割，然后对结果进行保存。

作为优选技术措施：

对染色体进行切割前，需进行图像预处理；

其具体包括以下步骤：第一步，首先对图像背景统一为白色，然后对图像进行直方图均衡、去核、去除杂质，改善图像质量；对图像进行图像增强；

第二步，对图像进行自适应阈值分割，分离出前景与背景；再对前景进行一系列形态学操作与连通域分析，去除染色体随体部分。

作为优选技术措施：

利用深度学习模型预测其所属条带类型的概率值，具体包括以下步骤：

S1，建立模型结构：主干网络模型基于ResNet残差网络结构；

S2，通过使用残差学习Residual Learning的方式，能够极大提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；本模型的深度为：hs层；

S3，模型的分类器采用的是MLP多层感知器网络；采取该网络的要点在于能够构建一个端到端end-to-end网络，而无需单独基于特征再训练一个SVM分类器；本模型使用了1个MLP分类器，针对当前染色体的条带数目等级进行识别；

识别分类器的神经元参数构成为：(ms)*3，对应三种等级的条带数目类别，其中ms是来源于对残差网络提取的最后ms个特征的全局pooling池化；

S4，对于MLP的分类器神经元参数设置(ms)；

S5，模型的损失函数Loss Function设置为交叉熵函数Cross-Entropy Loss，整个函数是对概率值取了负对数，便于求解其最小值；

S6，深度学习模型的训练时，使用ADAM优化器。

作为优选技术措施：

所述S5，交叉熵函数定义的数学表达式如下：

其中，exp(x)为exponential的缩写，即为指数函数ex；x为MLP分类器输出的结果向量，N_cls为需要预测的分类总类别数；对于染色体条带数目的等级类型分类，x维度为3维，Ncls＝3；j为计数下标，用于累加x向量中每个元素x[j]；

t为真实的金标准标签，对于类别分类，其值在0-2之间，代表300条带、400条带、500条带；对数中的分式解释意义，以类别预测为例：预测的所有类别结果x[j]，j＝0，1，2中，金标准标签t对应的类别的概率。

作为优选技术措施：

把图像输入深度学习模型之前，对染色体图像进行基本处理，其包括以下步骤：

a)将染色体图像沿着最长的轴放大至bs个pixel；另一个轴等比例的放大；

b)对放大的图像填充白色像素；

c)训练深度网络前，对图像进行旋转、翻转，进行数据增强操作；

d)对所有输入图像进行归一化处理，使得图像输入尽可能标准一致，网络训练更容易收敛。

作为优选技术措施：

图像预处理方法如下：

a)直方图统计，找到最大值，找到下降梯度大于0.99的值，两者相减即可使用阈值去除背景；定义k表示图像的灰度级数，直方图各个灰度级出现的次数为n^k，则直方图相邻灰度级间的梯度可定义为：

求出G_i＞0.99时i的最大值T₀

则分割图像的目标阈值：

T＝k-1-2×T₀

b)对染色体进行边缘处理，外围轮廓区域均值小于染色体均值的2/3即为可删除边缘；

c)直方图匹配，对染色体同时做直方图匹配，使染色体的明暗程度统一到一个固定的区间，同时增强条带信息；

人工对预处理后的中期分裂相图像进行人工标记，标记图像中感兴趣的染色体区域。

作为优选技术措施：

对核型图进行染色体切割，具体包括以下步骤：

S1，建立模型结构：主干网络模型框架基于MaskR-CNN网络结构，能够解决实例分割的问题，即同时完成染色体对象的定位检测以及染色体对象的外轮廓分割任务；

S2，通过类似FasterR-CNN框架的两阶段策略，网络模型主要由两个阶段组成：第一个阶段是候选区域提名模块，目的是将图像中的每个疑似染色体的候选区域比较“粗”地提取出来；

第二个阶段是对候选区域分别进行定位、分割、以及分类任务；该阶段采用了三个独立且并行的子网络，目的是同时对阶段一所提取的候选区域进行染色体坐标定位、外轮廓分割、以及染色体类别预测；

本发明通过交替训练阶段一和阶段二的方式，能够解决网络训练过程中正负样本不平衡的问题，使得模型能够快速收敛；除外，二阶段的模型设计能够使得网络以端到端end-to-end的方式，只通过卷积层和全连接层即可得到输入图像中所有染色体的分割结果，提高了模型的预测效率；本模型的第一阶段的预测深度为：hs层，本模型的第二阶段的预测深度为：hs2层；

S3，模型第一阶段候选区域提名网络采用的是基于ResNet的骨架结构，利用ResNet优秀的特征抽取能力，为预测候选区域的坐标和类别提供支撑；

ResNet通过使用残差学习ResidualLearning的方式，极大地提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；在最后卷积得到的特征图上，采用两路卷积分别输出候选区域的坐标位置信息与二分类类别信息；其中，坐标位置信息是采用基于“锚点”Anchor的预测方法，即在染色体图像上选定若干个锚点，预测的位置坐标指的是相对于这些锚点的位置偏移量；若需要得到每个候选区域矩形框在整幅图像内的全局坐标，则能够根据预先确定的锚点的全局坐标加上预测的偏移量即可；

S4，模型第二阶段检测、分类、分割并行模块采用的是3个独立的子网络头来分别处理来自第一阶段的各个候选区域，并针对每个候选区域给出其中包含的染色体的精确坐标信息、类别信息、以及外轮廓分割信息；

S5，训练该模型的损失函数按照第一阶段和第二阶段的任务分别能够总结为分类损失函数、位置回归损失函数、以及分割损失函数；

深度学习模型的训练，使用随机梯度下降SGD优化器进行模型训练，学习率设置为0.02，每经过10000次迭代就减少为十分之一，SGD的权重衰减系数设置为0.0001，动量Momentum设置为0.9；总迭代次数为100000次，批量训练的样本大小Batchsize设置为4。

作为优选技术措施：

所述S3，第一阶段模型的输入为：经过图像预处理的染色体图像；

该第一阶段模型的输出有3个：

1)经过ResNet多层卷积操作得到的特征图；

2)基于特征图上每个像素点卷积得到的染色体候选区域的坐标位置；

3)基于特征图上每个像素点卷积得到的候选区域的二分类类别信息，判断候选矩形框内部是否为染色体，即给出该候选区域包含染色体的概率p；

本模型的深度为：hs层；

所述S4，该阶段处理S3的输出时，主要经过如下几个部分：

1)基于S3的输出，需要先按照候选区域矩形框进行非极大值抑制Non-MaximumSuppresion，去除预测的矩形框重复、重叠情况；去除重叠情况时所使用的阈值IoU设置为th_IoU，即若有两个矩形框之间重叠区域占2个总矩形框面积的比例IoU高于th_IoU时，则认为这两个矩形框对应于同一个预测区域，将只保留其中第一个候选矩形框，去除剩下的一个矩形框；该NMS步骤将对S3输出的所有候选区域进行遍历，去除其中重叠的矩形框；

2)针对剩下来的非重叠的候选矩形框，按照其对应的预测包含染色体的概率p由高到低进行排序，挑选前m个置信度较高的候选区域作为实际有效的候选区域；这里设置的有效候选区域数量为m；

3)根据有效的候选区域的坐标信息，在S3步骤输出的特征图上对应位置抽取固定大小的局部特征图，即为专门对应于该候选区域的局部特征；由于第二阶段各个子网络头模型需要固定尺寸的输入特征，然而每个预测得到的候选区域矩形框大小不一，使得截取出来的局部特征的大小也不一致，因此需要对每个局部特征做尺度归一化处理。

本发明工序简洁、合理，可向外大规模推广应用，部署简单，方案切实可行。

与现有技术相比，本发明具有以下有益效果：

本发明基于智能算法模型对染色体图像所属条带类型进行预测，进而能够准确识别染色体条带数，并按照染色体条带数进行合理排序，进而便于医生观察染色体结构，能够有效减少医生负担，省时省力。

附图说明

图1为本发明同号染色体(此处取5号)按条带递增排序示图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

如图1所示，一种基于条带识别的染色体排序方法，包括以下步骤：

第一步，得到染色体核型图；

第二步，对核型图进行染色体切割，切割出若干染色体图像，并识别染色体类型；

第三步，提取多张同号染色体的图像，基于智能算法模型识别染色体条带类型；

利用智能算法模型，对不同染色体图像，分别预测其所属条带类型的概率值；

然后根据概率值的大小，判断该染色体图像所属条带类型，完成染色体图像的划分；

第四步，对划分完成的若干染色体图像，按照其染色体条带类型变化进行排序。

本发明基于智能算法模型对染色体图像所属条带类型进行预测，进而能够准确识别染色体条带数，并按照染色体条带数进行合理排序，进而便于医生观察染色体结构，能够有效减少医生负担，省时省力。

识别染色体类型的方法可参见：杭州德适生物科技有限公司的一种基于深度学习的染色体识别方法，其公开号为：CN109300111A。

本发明智能算法模型具体实施例：

所述智能算法模型为模拟退火或/和遗传算法或/和神经网络或/和深度学习模型。

本发明条带数划分一种具体实施例：

所述染色体条带类型根据条带数进行划分，所述条带数为300或400或550或700或800；

根据染色体条带类型的识别结果，按照300、400、550、700和800条带数的顺序，对同号染色体图像进行排序，使得在观察特征的时候能够从少到多查看同一号染色体的特征。其排列方式可以是横向排列或者竖向排列，优选横向排列，便于医生同一视角进行观察。

本发明核型图切割方法一种具体实施例：

所述第二步：

染色体核型图切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取简单的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割；

其包括以下情形：

(1)单条染色体与交叉染色体的分离；计算出平均染色体面积与单条染色体最大面积，然后通过对染色体前景部分进行连通域分析，提取出各个连通域的图像，进行闭操作与中值滤波后分析骨架，根据骨架的不同将该连通域分别归类为单条染色体与交叉染色体；

(2)粘连交叉染色体的自动分割；对于交叉染色体再进行连通域分析，通过骨架分析等操作寻找切割点进行切割，切割出的染色体放入单条染色体类别中，其他染色体等待进一步自动切割；

(3)交叉染色体的进一步切割；对于剩余的交叉染色体，利用分离重叠染色体的方法进行进一步切割，然后对结果进行保存。

本发明图像预处理一种具体实施例：

对染色体进行切割前，需进行图像预处理；

其具体包括以下步骤：第一步，首先对图像背景统一为白色，然后对图像进行直方图均衡、去核、去除杂质，改善图像质量；对图像进行图像增强；

第二步，对图像进行自适应阈值分割，分离出前景与背景；再对前景进行一系列形态学操作与连通域分析，去除染色体随体部分。

图像预处理方法如下：

a)直方图统计，找到最大值，找到下降梯度大于0.99的值，两者相减即可使用阈值去除背景；定义k表示图像的灰度级数，直方图各个灰度级出现的次数为n^k，则直方图相邻灰度级间的梯度可定义为：

求出G_i＞0.99时i的最大值T₀

则分割图像的目标阈值：

T＝k-1-2×T₀

b)对染色体进行边缘处理，外围轮廓区域均值小于染色体均值的2/3即为可删除边缘；

c)直方图匹配，对染色体同时做直方图匹配，使染色体的明暗程度统一到一个固定的区间，同时增强条带信息；

人工对预处理后的中期分裂相图像进行人工标记，标记图像中感兴趣的染色体区域。

本发明深度学习模型一种具体实施例：

具体包括以下步骤：

S1，建立模型结构：主干网络模型基于ResNet残差网络结构；

S2，通过使用残差学习Residual Learning的方式，能够极大提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；本模型的深度为：hs层；

S3，模型的分类器采用的是MLP多层感知器网络；采取该网络的要点在于能够构建一个端到端end-to-end网络，而无需单独基于特征再训练一个SVM分类器；本模型使用了1个MLP分类器，针对当前染色体的条带数目等级进行识别；

识别分类器的神经元参数构成为：(ms)*3，对应三种等级的条带数目类别，其中ms是来源于对残差网络提取的最后ms个特征的全局pooling池化；

S4，对于MLP的分类器神经元参数设置(ms)；

S5，模型的损失函数Loss Function设置为交叉熵函数Cross-Entropy Loss，整个函数是对概率值取了负对数，便于求解其最小值；

S6，深度学习模型的训练时，使用ADAM优化器。

本发明一种具体实施例：

所述S5，交叉熵函数定义的数学表达式如下：

其中，exp(x)为exponential的缩写，即为指数函数ex；x为MLP分类器输出的结果向量，N_ds为需要预测的分类总类别数；对于染色体条带数目的等级类型分类，x维度为3维，Ncls＝3；j为计数下标，用于累加x向量中每个元素x[j]；

t为真实的金标准标签，对于类别分类，其值在0-2之间，代表300条带、400条带、500条带；对数中的分式解释意义，以类别预测为例：预测的所有类别结果x[j]，j＝0，1，2中，金标准标签t对应的类别的概率。

本发明图像基本处理一种具体实施例：

把图像输入深度学习模型之前，对染色体图像进行基本处理，其包括以下步骤：

a)将染色体图像沿着最长的轴放大至bs个pixel；另一个轴等比例的放大；

b)对放大的图像填充白色像素；

c)训练深度网络前，对图像进行旋转、翻转，进行数据增强操作；

d)对所有输入图像进行归一化处理，使得图像输入尽可能标准一致，网络训练更容易收敛。

本发明染色体切割一种具体实施例：

对核型图进行染色体切割，具体包括以下步骤：

S1，建立模型结构：主干网络模型框架基于MaskR-CNN网络结构，能够解决实例分割的问题，即同时完成染色体对象的定位检测以及染色体对象的外轮廓分割任务；

S2，通过类似FasterR-CNN框架的两阶段策略，网络模型主要由两个阶段组成：第一个阶段是候选区域提名模块，目的是将图像中的每个疑似染色体的候选区域比较“粗”地提取出来；

第二个阶段是对候选区域分别进行定位、分割、以及分类任务；该阶段采用了三个独立且并行的子网络，目的是同时对阶段一所提取的候选区域进行染色体坐标定位、外轮廓分割、以及染色体类别预测；

本发明通过交替训练阶段一和阶段二的方式，能够解决网络训练过程中正负样本不平衡的问题，使得模型能够快速收敛；除外，二阶段的模型设计能够使得网络以端到端end-to-end的方式，只通过卷积层和全连接层即可得到输入图像中所有染色体的分割结果，提高了模型的预测效率；本模型的第一阶段的预测深度为：hs层，本模型的第二阶段的预测深度为：hs2层；

S3，模型第一阶段候选区域提名网络采用的是基于ResNet的骨架结构，利用ResNet优秀的特征抽取能力，为预测候选区域的坐标和类别提供支撑；

ResNet通过使用残差学习ResidualLeaming的方式，极大地提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；在最后卷积得到的特征图上，采用两路卷积分别输出候选区域的坐标位置信息与二分类类别信息；其中，坐标位置信息是采用基于“锚点”Anchor的预测方法，即在染色体图像上选定若干个锚点，预测的位置坐标指的是相对于这些锚点的位置偏移量；若需要得到每个候选区域矩形框在整幅图像内的全局坐标，则能够根据预先确定的锚点的全局坐标加上预测的偏移量即可；

S4，模型第二阶段检测、分类、分割并行模块采用的是3个独立的子网络头来分别处理来自第一阶段的各个候选区域，并针对每个候选区域给出其中包含的染色体的精确坐标信息、类别信息、以及外轮廓分割信息；

S5，训练该模型的损失函数按照第一阶段和第二阶段的任务分别能够总结为分类损失函数、位置回归损失函数、以及分割损失函数；

深度学习模型的训练，使用随机梯度下降SGD优化器进行模型训练，学习率设置为0.02，每经过10000次迭代就减少为十分之一，SGD的权重衰减系数设置为0.0001，动量Momentum设置为0.9；总迭代次数为100000次，批量训练的样本大小Batchsize设置为4。

本发明S3/S4一种具体实施例：

所述S3，第一阶段模型的输入为：经过图像预处理的染色体图像；

该第一阶段模型的输出有3个：

1)经过ResNet多层卷积操作得到的特征图；

2)基于特征图上每个像素点卷积得到的染色体候选区域的坐标位置；

3)基于特征图上每个像素点卷积得到的候选区域的二分类类别信息，判断候选矩形框内部是否为染色体，即给出该候选区域包含染色体的概率p；

本模型的深度为：hs层；

所述S4，该阶段处理S3的输出时，主要经过如下几个部分：

1)基于S3的输出，需要先按照候选区域矩形框进行非极大值抑制Non-MaximumSuppresion，去除预测的矩形框重复、重叠情况；去除重叠情况时所使用的阈值IoU设置为th_IoU，即若有两个矩形框之间重叠区域占2个总矩形框面积的比例IoU高于th_IoU时，则认为这两个矩形框对应于同一个预测区域，将只保留其中第一个候选矩形框，去除剩下的一个矩形框；该NMS步骤将对S3输出的所有候选区域进行遍历，去除其中重叠的矩形框；

2)针对剩下来的非重叠的候选矩形框，按照其对应的预测包含染色体的概率p由高到低进行排序，挑选前m个置信度较高的候选区域作为实际有效的候选区域；这里设置的有效候选区域数量为m；

3)根据有效的候选区域的坐标信息，在S3步骤输出的特征图上对应位置抽取固定大小的局部特征图，即为专门对应于该候选区域的局部特征；由于第二阶段各个子网络头模型需要固定尺寸的输入特征，然而每个预测得到的候选区域矩形框大小不一，使得截取出来的局部特征的大小也不一致，因此需要对每个局部特征做尺度归一化处理。

本发明工序简洁、合理，可向外大规模推广应用，部署简单，方案切实可行。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于条带识别的染色体排序方法，其特征在于，包括以下步骤：

第一步，得到染色体核型图；

第二步，对核型图进行染色体切割，切割出若干染色体图像，并识别染色体类型；

第三步，提取多张同号染色体的图像，基于智能算法模型识别染色体条带类型；

利用智能算法模型，对不同染色体图像，分别预测其所属条带类型的概率值；

然后根据概率值的大小，判断该染色体图像所属条带类型，完成染色体图像的划分；

第四步，对划分完成的若干染色体图像，按照其染色体条带类型变化进行排序。

2.如权利要求1所述的一种基于条带识别的染色体排序方法，其特征在于，

所述智能算法模型为模拟退火或/和遗传算法或/和神经网络或/和深度学习模型；

所述染色体条带类型根据条带数进行划分，所述条带数为300或400或550或700或800；

根据染色体条带类型的识别结果，按照300、400、550、700和800条带数的顺序，对同号染色体图像进行排序，使得在观察特征的时候能够从少到多查看同一号染色体的特征。

3.如权利要求1所述的一种基于条带识别的染色体排序方法，其特征在于，

所述第二步：

染色体核型图切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取简单的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割；

其包括以下情形：

(1)单条染色体与交叉染色体的分离；计算出平均染色体面积与单条染色体最大面积，然后通过对染色体前景部分进行连通域分析，提取出各个连通域的图像，进行闭操作与中值滤波后分析骨架，根据骨架的不同将该连通域分别归类为单条染色体与交叉染色体；

(2)粘连交叉染色体的自动分割；对于交叉染色体再进行连通域分析，通过骨架分析等操作寻找切割点进行切割，切割出的染色体放入单条染色体类别中，其他染色体等待进一步自动切割；

(3)交叉染色体的进一步切割；对于剩余的交叉染色体，利用分离重叠染色体的方法进行进一步切割，然后对结果进行保存。

4.如权利要求3所述的一种基于条带识别的染色体排序方法，其特征在于，

对染色体进行切割前，需进行图像预处理；

其具体包括以下步骤：第一步，首先对图像背景统一为白色，然后对图像进行直方图均衡、去核、去除杂质；

第二步，对图像进行自适应阈值分割，分离出前景与背景；再对前景进行一系列形态学操作与连通域分析，去除染色体随体部分。

5.如权利要求2所述的一种基于条带识别的染色体排序方法，其特征在于，

利用深度学习模型预测其所属条带类型的概率值，具体包括以下步骤：

S1，建立模型结构：主干网络模型基于ResNet残差网络结构；

S2，通过使用残差学习Residual Learning的方式，能够极大提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；本模型的深度为：hs层；

S3，模型的分类器采用的是MLP多层感知器网络；采取该网络的要点在于能够构建一个端到端end-to-end网络，而无需单独基于特征再训练一个SVM分类器；本模型使用了1个MLP分类器，针对当前染色体的条带数目等级进行识别；

识别分类器的神经元参数构成为：(ms)*3，对应三种等级的条带数目类别，其中ms是来源于对残差网络提取的最后ms个特征的全局pooling池化；

S4，对于MLP的分类器神经元参数设置；

S5，模型的损失函数Loss Function设置为交叉熵函数Cross-Entropy Loss，整个函数是对概率值取了负对数，便于求解其最小值；

S6，深度学习模型的训练时，使用ADAM优化器。

6.如权利要求5所述的一种基于条带识别的染色体排序方法，其特征在于，

所述S5，交叉熵函数定义的数学表达式如下：

其中，exp(x)为exponential的缩写，即为指数函数ex；x为MLP分类器输出的结果向量，N_cls为需要预测的分类总类别数；对于染色体条带数目的等级类型分类，x维度为3维，Ncls＝3；j为计数下标，用于累加x向量中每个元素x[j]；

t为真实的金标准标签，对于类别分类，其值在0-2之间，代表300条带、400条带、500条带。

7.如权利要求6所述的一种基于条带识别的染色体排序方法，其特征在于，

把图像输入深度学习模型之前，对染色体图像进行基本处理，其包括以下步骤：

a)将染色体图像沿着最长的轴放大至bs个pixel；另一个轴等比例的放大；

b)对放大的图像填充白色像素；

c)训练深度网络前，对图像进行旋转、翻转，进行数据增强操作；

d)对所有输入图像进行归一化处理，使得图像输入尽可能标准一致，网络训练更容易收敛。

8.如权利要求4所述的一种基于条带识别的染色体排序方法，其特征在于，

图像预处理方法如下：

a)直方图统计，找到最大值，找到下降梯度大于0.99的值，两者相减即可使用阈值去除背景；定义k表示图像的灰度级数，直方图各个灰度级出现的次数为n^k，则直方图相邻灰度级间的梯度可定义为：

求出G_i＞0.99时i的最大值T₀

则分割图像的目标阈值：

T＝k-1-2×T₀

b)对染色体进行边缘处理，外围轮廓区域均值小于染色体均值的2/3即为可删除边缘；

c)直方图匹配，对染色体同时做直方图匹配，使染色体的明暗程度统一到一个固定的区间，同时增强条带信息；

人工对预处理后的中期分裂相图像进行人工标记，标记图像中感兴趣的染色体区域。

9.如权利要求1所述的一种基于条带识别的染色体排序方法，其特征在于，

对核型图进行染色体切割，具体包括以下步骤：

S1，建立模型结构：主干网络模型框架基于MaskR-CNN网络结构，能够解决实例分割的问题，即同时完成染色体对象的定位检测以及染色体对象的外轮廓分割任务；

S2，通过类似FasterR-CNN框架的两阶段策略，网络模型主要由两个阶段组成：第一个阶段是候选区域提名模块，目的是将图像中的每个疑似染色体的候选区域比较“粗”地提取出来；

第二个阶段是对候选区域分别进行定位、分割、以及分类任务；该阶段采用了三个独立且并行的子网络，目的是同时对阶段一所提取的候选区域进行染色体坐标定位、外轮廓分割、以及染色体类别预测；

本发明通过交替训练阶段一和阶段二的方式，能够解决网络训练过程中正负样本不平衡的问题，使得模型能够快速收敛；除外，二阶段的模型设计能够使得网络以端到端end-to-end的方式，只通过卷积层和全连接层即可得到输入图像中所有染色体的分割结果，提高了模型的预测效率；本模型的第一阶段的预测深度为：hs层，本模型的第二阶段的预测深度为：hs2层；

S3，模型第一阶段候选区域提名网络采用的是基于ResNet的骨架结构，利用ResNet优秀的特征抽取能力，为预测候选区域的坐标和类别提供支撑；

ResNet通过使用残差学习ResidualLearning的方式，极大地提高模型抽取特征的有效性，而且能够在避免过拟合训练样本集的情况下，构建深层次的网络，提高模型的准确率；在最后卷积得到的特征图上，采用两路卷积分别输出候选区域的坐标位置信息与二分类类别信息；其中，坐标位置信息是采用基于“锚点”Anchor的预测方法，即在染色体图像上选定若干个锚点，预测的位置坐标指的是相对于这些锚点的位置偏移量；若需要得到每个候选区域矩形框在整幅图像内的全局坐标，则能够根据预先确定的锚点的全局坐标加上预测的偏移量即可；

S4，模型第二阶段检测、分类、分割并行模块采用的是3个独立的子网络头来分别处理来自第一阶段的各个候选区域，并针对每个候选区域给出其中包含的染色体的精确坐标信息、类别信息、以及外轮廓分割信息；

S5，训练该模型的损失函数按照第一阶段和第二阶段的任务分别能够总结为分类损失函数、位置回归损失函数、以及分割损失函数。

10.如权利要求9所述的一种基于条带识别的染色体排序方法，其特征在于，

所述S3，第一阶段模型的输入为：经过图像预处理的染色体图像；

该第一阶段模型的输出有3个：

1)经过ResNet多层卷积操作得到的特征图；

2)基于特征图上每个像素点卷积得到的染色体候选区域的坐标位置；

3)基于特征图上每个像素点卷积得到的候选区域的二分类类别信息，判断候选矩形框内部是否为染色体，即给出该候选区域包含染色体的概率p；

本模型的深度为：hs层；

所述S4，该阶段处理S3的输出时，主要经过如下几个部分：

1)基于S3的输出，需要先按照候选区域矩形框进行非极大值抑制Non-MaximumSuppresion，去除预测的矩形框重复、重叠情况；去除重叠情况时所使用的阈值IoU设置为th_IoU，即若有两个矩形框之间重叠区域占2个总矩形框面积的比例IoU高于th_IoU时，则认为这两个矩形框对应于同一个预测区域，将只保留其中第一个候选矩形框，去除剩下的一个矩形框；该NMS步骤将对S3输出的所有候选区域进行遍历，去除其中重叠的矩形框；

2)针对剩下来的非重叠的候选矩形框，按照其对应的预测包含染色体的概率p由高到低进行排序，挑选前m个置信度较高的候选区域作为实际有效的候选区域；这里设置的有效候选区域数量为m；

3)根据有效的候选区域的坐标信息，在S3步骤输出的特征图上对应位置抽取固定大小的局部特征图，即为专门对应于该候选区域的局部特征；由于第二阶段各个子网络头模型需要固定尺寸的输入特征，然而每个预测得到的候选区域矩形框大小不一，使得截取出来的局部特征的大小也不一致，因此需要对每个局部特征做尺度归一化处理。