CN110879996A - 一种染色体分裂相定位排序方法 - Google Patents
一种染色体分裂相定位排序方法 Download PDFInfo
- Publication number
- CN110879996A CN110879996A CN201911218476.1A CN201911218476A CN110879996A CN 110879996 A CN110879996 A CN 110879996A CN 201911218476 A CN201911218476 A CN 201911218476A CN 110879996 A CN110879996 A CN 110879996A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- identification model
- split
- image
- chromosomal
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种染色体分裂相定位排序方法,属于染色体识别技术领域。该染色体分裂相定位排序方法包括如下步骤,1)基于darknet53基础网络建立识别模型;2)得到独立的染色体图像,按照规定尺寸进行图像输入;3)利用识别模型对输入的染色体图像进行特征提取,识别模型结构设定三种下采样尺度,每种下采样尺度设定有三种先验框,总共聚类出九种尺寸的先验框;4)使用logistic的输出进行边框预测。本发明基于darknet53基础网络建立识别模型,利用识别模型对输入的染色体图像进行特征提取,快速进行边框预测,从而能够对染色体类型进行准确、高效识别,相比现有识别技术能够有效提升染色体核型的分析效率,缩短识别排序时间,高准确率地完成染色体的排序。
Description
技术领域
本发明属于染色体识别技术领域,尤其涉及一种染色体分裂相定位排序方法。
背景技术
人类染色体病是由先天性的染色体数目或结构异常而引起的一系列临床症状的综合征。主要有患儿智力低下,发育迟缓,先天性畸形。同时还会造成流产,死胎等。这些对于每一个家庭都是难以承受的。然而这一症状在我国的妊娠人群中的患病率约有5%-10%,在流产胚胎中占据一半以上。并且这些数据有逐年增长的趋势,我国政府及相关机构也开始重视染色体疾病。
临床检验人染色体病的方法是通过培养体细胞再经一系列的操作得到经染色显带核型样本,再经数码拍照得到照片,然后对染色体图片进行核型的分析识别。目前分析染色体图片的方法,基本上是手工操作,人工识别,检验医生首先需要大量的培训时间才能掌握识别每个染色体类型的知识,工作负担较重。即使是经验丰富的医生对病人的染色体进行分析识别,其首先需要采用手工分割交叉、粘连和重叠的染色体,然后使用鼠标分离粘连和重叠染色单体,再对于分割好的染色单体进行计数,整个流程一般需要两个星期以上,时间周期较长。并且人工识别,主观性很强,很容易受外界环境影响,准确率不高。
发明内容
本发明的目的在于克服现有技术中存在的上述问题,提供一种染色体分裂相定位排序方法。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
一种染色体分裂相定位排序方法,包括如下步骤:
S1,基于darknet53基础网络建立识别模型;
S2,得到独立的染色体图像,按照规定尺寸进行图像输入;
S3,利用识别模型对输入的染色体图像进行特征提取,识别模型结构设定三种下采样尺度,每种下采样尺度设定有三种先验框,总共聚类出九种尺寸的先验框;
S4,使用logistic的输出进行边框预测,引入Anchor Box,Anchor Box预设的两个边长分别为pw、ph,,识别模型学习目标是tx、ty、tw、ty,最终得到的边框坐标值是bx、by、bw、by,
bx=σ(tx)+cx,
by=σ(ty)+cy,
其中cx、cy为网格的坐标偏移量。
进一步地,上述染色体分裂相定位排序方法中,步骤S1中,darknet53基础网络基本由1*1与3*3卷积构成,网络中有53个卷积层。
进一步地,上述染色体分裂相定位排序方法中,步骤S2中,图像输入的尺寸为416*416。
进一步地,上述染色体分裂相定位排序方法中,预测的三个特征层大小分别是52、26和13。
进一步地,上述染色体分裂相定位排序方法中,先验框的九种尺寸为10*13、16*30、33*23、30*61、62*45、59*119、116*90、156*198和36*31。
本发明的有益效果是:
本发明基于darknet53基础网络建立识别模型,利用识别模型对输入的染色体图像进行特征提取,快速进行边框预测,从而能够对染色体类型进行准确、高效识别,相比现有识别技术,能够有效提升染色体核型的分析效率,缩短识别排序时间,高准确率地完成染色体的排序,同时能够有效减轻医生的工作负担,不受外界干扰,并且工序简洁、合理,可向外大规模推广应用。
当然,实施本发明的任一产品并不一定需要同时达到以上的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中识别模型的原理框图。
图2为本发明中识别模型中卷积、残差的原理框图。
图3为本发明中特征提取的流程示意图。
图4为本发明中边框预测的剖视示意图。
图5为本发明中实施例的侧视结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例为一种染色体分裂相定位排序方法,包括如下步骤:
S1,如图1和图2所示,基于darknet53基础网络建立识别模型,darknet53基础网络基本由1*1与3*3卷积构成,网络中有53个卷积层。
S2,得到独立的染色体图像,按照规定尺寸进行图像输入,图像输入的尺寸为416*416。
S3,如图3所示,利用识别模型对输入的染色体图像进行特征提取,识别模型结构设定三种下采样尺度,每种下采样尺度设定有三种先验框,总共聚类出九种尺寸的先验框;先验框的九种尺寸为10*13、16*30、33*23、30*61、62*45、59*119、116*90、156*198和36*31。
S4,如图4所示,使用logistic的输出进行边框预测,引入AnchorBox,Anchor Box预设的两个边长分别为pw、ph,,识别模型学习目标是tx、ty、tw、ty,最终得到的边框坐标值是bx、by、bw、by,
bx=σ(tx)+cx,
by=σ(ty)+cy,
其中cx、cy为网格的坐标偏移量。
预测的三个特征层大小分别是52、26和13。YOLO v3采用多个特征图融合的方式做预测。在YOLO v3中采用类似FPN的上采样和融合做法(最后融合了三个尺度,其为13*13,26*26和52*52),在多个尺度的特征图上做检测,对于小目标的检测效果提升还是比较明显的。对于一个416*416的输入图像,在每个尺度的特征图的每个网格设置3个先验框,总共有13*13*3+26*26*3+52*52*3=10647个预测。每一个预测是包含(4+1+80)=85维向量,这个85维向量包含边框坐标(4个数值)、边框置信度(1个数值)以及对象类别的概率。
本实施例对上述识别模型进行训练和验证,在识别模型中将染色体图像、染色体核型的序号,以及所在的位置作为训练的输入。染色体分为25个类别。分别为1-22,X、Y、U为不可识别类别。数据集合分为训练集合和验证集合,为每个染色体核型的类别和位置打标签数据。
下表为输入图像中染色体核型的类别及位置数据,其中第1列为类别,第2-5列为坐标位置:
图5为识别结果,通过与输入图像比较,可验证本识别模型能够人工智能目标检测,自动获取染色体的个数,并给出染色体目标检测出来的所属核型以及其正确概率。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种染色体分裂相定位排序方法,其特征在于,包括如下步骤:
S1,基于darknet53基础网络建立识别模型;
S2,得到独立的染色体图像,按照规定尺寸进行图像输入;
S3,利用识别模型对输入的染色体图像进行特征提取,识别模型结构设定三种下采样尺度,每种下采样尺度设定有三种先验框,总共聚类出九种尺寸的先验框;
S4,使用logistic的输出进行边框预测,引入Anchor Box,Anchor Box预设的两个边长分别为pw、ph,,识别模型学习目标是tx、ty、tw、ty,最终得到的边框坐标值是bx、by、bw、by,
bx=σ(tx)+cx,
by=σ(ty)+cy,
其中cx、cy为网格的坐标偏移量。
2.根据权利要求1所述的染色体分裂相定位排序方法,其特征在于:步骤S1中,darknet53基础网络基本由1*1与3*3卷积构成,网络中有53个卷积层。
3.根据权利要求1所述的染色体分裂相定位排序方法,其特征在于:步骤S2中,图像输入的尺寸为416*416。
4.根据权利要求3所述的染色体分裂相定位排序方法,其特征在于:预测的三个特征层大小分别是52、26和13。
5.根据权利要求4所述的染色体分裂相定位排序方法,其特征在于:先验框的九种尺寸为10*13、16*30、33*23、30*61、62*45、59*119、116*90、156*198和36*31。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218476.1A CN110879996A (zh) | 2019-12-03 | 2019-12-03 | 一种染色体分裂相定位排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218476.1A CN110879996A (zh) | 2019-12-03 | 2019-12-03 | 一种染色体分裂相定位排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110879996A true CN110879996A (zh) | 2020-03-13 |
Family
ID=69730647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911218476.1A Pending CN110879996A (zh) | 2019-12-03 | 2019-12-03 | 一种染色体分裂相定位排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381806A (zh) * | 2020-11-18 | 2021-02-19 | 上海北昂医药科技股份有限公司 | 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109492706A (zh) * | 2018-11-27 | 2019-03-19 | 微医云(杭州)控股有限公司 | 一种基于循环神经网络的染色体分类预测装置 |
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
CN110364224A (zh) * | 2018-12-29 | 2019-10-22 | 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 |
-
2019
- 2019-12-03 CN CN201911218476.1A patent/CN110879996A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109523520A (zh) * | 2018-10-25 | 2019-03-26 | 北京大学第三医院 | 一种基于深度学习的染色体自动计数方法 |
CN109492706A (zh) * | 2018-11-27 | 2019-03-19 | 微医云(杭州)控股有限公司 | 一种基于循环神经网络的染色体分类预测装置 |
CN110364224A (zh) * | 2018-12-29 | 2019-10-22 | 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 |
CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
Non-Patent Citations (2)
Title |
---|
JOSEPH REDMON等: "YOLOv3: An Incremental Improvement", 《ARXIV E-PRINTS》 * |
YOU-WH: "YOLOV3算法详解", 《HTTPS://WWW.CNBLOGS.COM/YWHEUNJI/P/10809695.HTML》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381806A (zh) * | 2020-11-18 | 2021-02-19 | 上海北昂医药科技股份有限公司 | 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN109300111B (zh) | 一种基于深度学习的染色体识别方法 | |
CN109117876B (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110503630B (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
WO2020238256A1 (zh) | 基于弱分割的损伤检测方法及装置 | |
CN102024152B (zh) | 一种基于稀疏表达和字典学习进行交通标志识别的方法 | |
CN108888294B (zh) | 一种检测颈部透明带宽度的方法及装置 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
WO2016066042A1 (zh) | 商品图片的分割方法及其装置 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN109214437A (zh) | 一种基于机器学习的ivf-et早孕胚胎发育预测系统 | |
CN110288017B (zh) | 基于动态结构优化的高精度级联目标检测方法与装置 | |
CN113591866A (zh) | 基于db与crnn的特种作业证件检测方法及系统 | |
WO2023160666A1 (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN112529005A (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
CN113378792A (zh) | 融合全局和局部信息的弱监督宫颈细胞图像分析方法 | |
CN112036295A (zh) | 票据图像处理方法、装置、存储介质及电子设备 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN111178196A (zh) | 一种细胞分类的方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200313 |
|
RJ01 | Rejection of invention patent application after publication |