CN110879996A

CN110879996A - 一种染色体分裂相定位排序方法

Info

Publication number: CN110879996A
Application number: CN201911218476.1A
Authority: CN
Inventors: 崔玉峰
Original assignee: Shanghai North Medicine Polytron Technologies Inc
Current assignee: Shanghai North Medicine Polytron Technologies Inc
Priority date: 2019-12-03
Filing date: 2019-12-03
Publication date: 2020-03-13

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

一种染色体分裂相定位排序方法

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p_w、p_h，，识别模型学习目标是t_x、t_y、t_w、t_y，最终得到的边框坐标值是b_x、b_y、b_w、b_y，

b_x＝σ(t_x)+c_x，

b_y＝σ(t_y)+c_y，

其中c_x、c_y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p_w、p_h，，识别模型学习目标是t_x、t_y、t_w、t_y，最终得到的边框坐标值是b_x、b_y、b_w、b_y，

b_x＝σ(t_x)+c_x，

b_y＝σ(t_y)+c_y，

其中c_x、c_y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

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；

b_x＝σ(t_x)+c_x，

b_y＝σ(t_y)+c_y，

其中c_x、c_y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。