CN111223084A - 一种染色体切割数据的处理方法、系统和存储介质 - Google Patents

一种染色体切割数据的处理方法、系统和存储介质 Download PDF

Info

Publication number
CN111223084A
CN111223084A CN202010013921.7A CN202010013921A CN111223084A CN 111223084 A CN111223084 A CN 111223084A CN 202010013921 A CN202010013921 A CN 202010013921A CN 111223084 A CN111223084 A CN 111223084A
Authority
CN
China
Prior art keywords
chromosome
image
cluster
slice
judging
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
CN202010013921.7A
Other languages
English (en)
Inventor
赵淦森
丁笔超
尹爱华
郭莉
陈汉彪
林成创
王天星
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.)
South China Normal University
Guangdong Maternal and Child Health Hospital
Original Assignee
South China Normal University
Guangdong Maternal and Child Health Hospital
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 South China Normal University, Guangdong Maternal and Child Health Hospital filed Critical South China Normal University
Priority to CN202010013921.7A priority Critical patent/CN111223084A/zh
Publication of CN111223084A publication Critical patent/CN111223084A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30072—Microarray; Biochip, DNA array; Well plate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种染色体切割数据的处理方法、系统和存储介质，所述方法包括以下步骤：获取染色体原图；对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。本发明能对存在染色体交叉或重叠的染色体图像进行准确分割，提高医生对染色体分类和核型分析的准确度。本发明可应用于图像处理领域。

Description

一种染色体切割数据的处理方法、系统和存储介质
技术领域
本发明涉及图像处理领域，尤其是一种染色体切割数据的处理方法、系统和存储介质。
背景技术
染色体切割是染色体核型分析过程的一个重要阶段，染色体切割的结果将会直接影响到医生对染色体分类和核型分析的准确度。现有技术主要通过计算机辅助系统来完成染色体核型分析，但都不能实现完全自动化过程，需要大量的人工干预。在良好的成像条件下，现有的自动分类系统能够取得一定的准确度，但是，如果在图像中出现染色体相连、重叠或畸形时，分类错误率会显著提高。可见，对于原始图像直接进行分类的效果并不理想，关键还是要通过切割出单条的染色体才能获得较准确的分析结果。然而，现有的染色体图像切割方法，大多都是基于几何方法来实现的，对于存在染色体交叉或重叠的染色体图像，分割准确度大大降低。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种染色体切割数据的处理方法、系统和存储介质，其能对存在染色体交叉或重叠的染色体图像进行准确分割，提高医生对染色体分类和核型分析的准确度。
本发明实施例的第一方面提供了：
一种染色体切割数据的处理方法，其包括以下步骤：
获取染色体原图；
对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；
对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；
通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。
进一步地，所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第一阈值和第二阈值；
计算染色体切片与染色体原图的像素比值；
判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为第一待识别图像，反之，则判定染色体切片图像为单条染色体图像；
计算第一待识别图像对应的长短轴比值；
判断长短轴比值是否小于第二阈值，若是，则判定第一待识别图像为第二待识别图像，反之，则判定第一待识别图像为单条染色体图像；
获取第二待识别图像的端点个数；
判断端点个数是否大于两个，若是，则判定第二待识别图像为染色体簇图像，反之，则判定第二待识别图像为单条染色体图像。
进一步地，所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第一阈值；
计算染色体切片与染色体原图的像素比值；
判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
进一步地，所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第二阈值；
计算染色体切片图像对应的长短轴比值；
判断长短轴比值是否小于第二阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则染色体切片图像为单条染色体图像。
进一步地，所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取所有染色体切片图像对应的端点个数；
判断端点个数是否大于两个，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
进一步地，所述对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码，其具体包括：
对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像；
通过卷积神经网络对特征图像进行卷积处理，得到特征图像对应的掩码。
进一步地，所述对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像，其具体包括：
通过区域建议网络对染色体簇图像进行特征提取，生成待处理图像；
对待处理图像进行尺度归一化处理，生成预设大小的特征图像。
本发明实施例的第二方面提供了：
一种染色体切割数据的处理系统，其包括：
第一获取模块，用于获取染色体原图；
分类模块，用于对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；
实例分割模块，用于对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；
第二获取模块，用于通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
生成模块，用于根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
融合模块，用于将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。
本发明实施例的第三方面提供了：
一种染色体切割数据的处理系统，其包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行上述的一种染色体切割数据的处理方法。
本发明实施例的第四方面提供了：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现上述的一种染色体切割数据的处理方法。
本发明的有益效果是：本发明通过对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，接着根据对染色体簇进行实例分割得到的掩码从染色体簇图像中获取单条染色体对应的像素值，然后根据像素值生成染色体簇图像的单条染色体图像作为第二图像，将第一图像和第二图像进行融合后，得到所有单条染色体组成的染色体排列图，从而实现对存在染色体交叉或重叠的染色体图像进行准确分割，提高医生对染色体分类和核型分析的准确度。
附图说明
图1为本发明一种具体实施例的染色体切割数据的处理方法的流程图；
图2为本发明一种具体实施例的凸包法的流程图；
图3为本发明一种具体实施例的椭圆法的流程图；
图4为本发明一种具体实施例的端点法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在进行具体的实施例描述之前，对下面实施例涉及的术语进行解释说明：
核型分析：核型分析是以分裂中期染色体为研究对象，根据染色体的长度、着丝点位置等特征，并借助显带技术对染色体进行分析、比较、排序和编号，根据染色体结构和数目的变异情况来进行诊断。
实例分割：实例分割是对图像进行像素级分类，并且在此基础上还需分出同一类别的不同个体，即做到每个实例的分割。
掩码：实例目标在图像中的空间布局，通常用二进制进行标识，即值为1的像素位置代表属于此实例目标。
染色体簇：对于发生相连或重叠的多条染色体，将其作为一个染色体簇进行处理。
二值图像：指在图像中，灰度等级只有两种，也就是说，图像中的任何像素点的灰度值均为0或者255，分别代表黑色和白色。通常通过设定阈值来得到对图像二值化，大于阈值的像素点设为255，小于的设为0。
连通区域：指图像中具有相同像素值且位置相邻的像素点组成的图像区域。
连通区域标记：指将图像中的各个连通区域找出并以数值进行标记。
凸集：在点集拓扑学与欧几里得空间中，凸集是一个点集合，其中每两点之间的直线点都落在该点集合中。
凸包：在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。
深度学习：深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。
特征图：经过卷积神经网络进行卷积操作后得到的输出。
RPN：英文全称为RegionProposal Network，中文名称为区域建议网络，是基于滑动窗口的无类别目标检测器。
建议窗口：RPN的输出，即可能包含实例目标的窗口。
RoI：英文全称为Region of interest，中文全称为感兴趣区域，相比于其他建议窗口，更可能包含实例目标的窗口，可设不同的阈值进行调整。
RoIAlign：用于对RoI进行尺度归一化操作，并且使用双线性插值法保持空间对称性。
softmax：归一化指数函数，是逻辑函数的一种推广，其能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。
conv：卷积神经网络。是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
参照图1，本发明实施例提供了一种染色体切割数据的处理方法，本实施例应用于控制端，所述控制端与多个终端设备进行通信，所述终端设备用于上传染色体图像或者显示染色体图像的处理结果。
本实施例包括步骤S110-S160：
S110、获取染色体原图；所述染色体原图是指细胞分裂中期的染色体图像，其可以借助显代技术通过显微镜拍摄得到。
S120、对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；本步骤具体是将染色体原图中的单条染色体对应的区域保存到同一个图像集合内，将相连、重叠或畸形区域保存到另一个图像集合内，便于对相连、重叠或畸形区域进行进一步处理。
S130、对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；本步骤通过深度学习方法对染色体簇图像进行实例分割，其具体是通过改进后的Mask RCNN网络模型对染色体簇图像进行处理。所述改进后的Mask RCNN网络模型的网络输出层预先加入专家信息。所述专家信息为染色体簇图像中包含的染色体数量。
S140、通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
S150、根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
具体地址，通过步骤S130得到的每个染色体的掩码，从染色体簇图像中取出每个染色体对应的像素值，即将掩码图中对应为1的图像坐标的像素值取出，并将每条染色体保存为一张图片作为第二图像。其中，所述掩码大小与输入图像大小相同，每个实例对应一张掩码，掩码中将一个实例所处的像素坐标标记为1，其他为0。
S160、将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。所述融合是指将第一图像和第二图像复制到同一张图像内，以得到每张染色体原图对应的所有单条染色体组成的染色体排列图。
本实施例通过对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，接着根据对染色体簇进行实例分割得到的掩码从染色体簇图像中获取单条染色体对应的像素值，然后根据像素值生成染色体簇图像的单条染色体图像作为第二图像，将第一图像和第二图像进行融合后，得到所有单条染色体组成的染色体排列图，从而实现对存在染色体交叉或重叠的染色体图像进行准确分割，提高医生对染色体分类和核型分析的准确度。
在一些实施例中，为了提高对染色体原图的分类结果的准确性，所述步骤S120依次采用凸包法、椭圆发和端点法进行处理：
首先，对染色体原图进行连通域标记，得到染色体切片图像；所述染色体原图为细胞分裂中期的染色体原图。所述连通域标记为以250为阈值得到染色体原图的二值图像，然后以4连通方法得到染色体原图中的所有连通区域，并将全0的区域去除，将剩下的区域作为检测到的染色体切片。
获取第一阈值和第二阈值；所述第一阈值为像素比值对应的阈值。所述第二阈值为长短轴比值对应的阈值。所述第一阈值和第二阈值的大小均可根据实际情况进行调整。
接着，采用如图2所示的凸包法进行处理，所述凸包法包括步骤S1211-S1212：
S1211、计算染色体切片与染色体原图的像素比值；具体是计算染色体的连通区域所占像素数和此区域的凸包所占像素数之比。
S1212、判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为第一待识别图像，反之，则判定染色体切片图像为单条染色体图像；所述第一待识别图像内包含染色体簇图像和单条染色体图像中的一种或者两种。在染色体原图上，染色体上的凸包比认识人体群本身的像素要多，而单条染色体的像素几乎和它们的凸包一样多。
在凸包法处理完成后，采用如图3所示的椭圆法进行处理，所述椭圆法包括步骤S1221-S1222：
S1221、计算第一待识别图像对应的长短轴比值；具体是计算第一待识别图像中包围染色体的椭圆的长短轴比值。所述长短轴比值是指长轴长度除以短轴长度的比值。
S1222、判断长短轴比值是否小于第二阈值，若是，则判定第一待识别图像为第二待识别图像，反之，则判定第一待识别图像为单条染色体图像；所述第二待识别图像内包含染色体簇图像和单条染色体图像中的一种或者两种。由于多条染色体重叠在一起，通常呈现出一个椭圆形状，而单条染色体的形状通常是细长形，所以，单条染色体的包围椭圆是扁长的，而染色体群的包围椭圆会接近于一个圆，因此，通过长短轴比值与第二阈值的大小关系，可以进一步对染色体原图内包含的染色体进行分类，以排除形状较小的染色体。
紧接着，在椭圆法处理完成后，采用如图4所示的端点法进行图像分类，所述端点法包括步骤S1231-S1232：
S1231、获取第二待识别图像的端点个数；即获取每张第二待识别图像的端点个数。
S1232、判断端点个数是否大于两个，若是，则判定第二待识别图像为染色体簇图像，反之，则判定第二待识别图像为单条染色体图像。一条染色体知包含两个端点，当一个切片图像内包含大于两个端点时，证明该图像内包含多条染色体。
本实施例通过多个步骤对切片图像进行判断，从而实现精确分类。
在另一些实施例上，为了加快分类的速度，所述步骤S120可以采用凸包法、椭圆法和端点法中的一个或者任意两个分类方法进行处理，其中，当单独采用凸包法时，具体包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第一阈值；
计算染色体切片与染色体原图的像素比值；
判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
当单独采用椭圆法时，其具体包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第二阈值；
计算染色体切片图像对应的长短轴比值；
判断长短轴比值是否小于第二阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则染色体切片图像为单条染色体图像。
当单独采用端点法时，其具体包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取所有染色体切片图像对应的端点个数；
判断端点个数是否大于两个，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
作为优选的实施方式，所述对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码，其具体包括：
对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像；
通过卷积神经网络对特征图像进行卷积处理，得到特征图像对应的掩码。
其中，所述对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像，其具体包括：
通过区域建议网络对染色体簇图像进行特征提取，生成待处理图像；
对待处理图像进行尺度归一化处理，生成预设大小的特征图像。
在本实施例中，其是将整张图片输入进特征提取器，进行特征提取，具体是在特征提取器的最后一层特征图上，通过RPN生成ROI，每张感兴趣区域的图片大约300个建议窗口，接着通过RoIAlign层使得每张感兴趣区域的图片生成固定大小的特征图像，然后，通过卷积神经网络对特征图像进行卷积处理，得到特征图像对应的掩码。在RoIAlign层会输出每个染色体切片的类别，在经过卷积处理后，还会输出每个染色体切片的框偏移回归量和每个染色体切片的数量。通过本实施例得到的掩码，以提高从染色体簇中得到单条染色体的准确率。
本发明实施例还提供了一种与图1方法相对应的染色体切割数据的处理系统，其包括：
第一获取模块，用于获取染色体原图；
分类模块，用于对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；
实例分割模块，用于对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；
第二获取模块，用于通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
生成模块，用于根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
融合模块，用于将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还提供了一种染色体切割数据的处理系统，其包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如图1所示的一种染色体切割数据的处理方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如图1所示的一种染色体切割数据的处理方法。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种染色体切割数据的处理方法，其特征在于：包括以下步骤：
获取染色体原图；
对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；
对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；
通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。
2.根据权利要求1所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第一阈值和第二阈值；
计算染色体切片与染色体原图的像素比值；
判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为第一待识别图像，反之，则判定染色体切片图像为单条染色体图像；
计算第一待识别图像对应的长短轴比值；
判断长短轴比值是否小于第二阈值，若是，则判定第一待识别图像为第二待识别图像，反之，则判定第一待识别图像为单条染色体图像；
获取第二待识别图像的端点个数；
判断端点个数是否大于两个，若是，则判定第二待识别图像为染色体簇图像，反之，则判定第二待识别图像为单条染色体图像。
3.根据权利要求1所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第一阈值；
计算染色体切片与染色体原图的像素比值；
判断像素比值是否大于第一阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
4.根据权利要求1所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取第二阈值；
计算染色体切片图像对应的长短轴比值；
判断长短轴比值是否小于第二阈值，若是，则判定染色体切片图像为染色体簇图像，反之，则染色体切片图像为单条染色体图像。
5.根据权利要求1所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像，包括以下步骤：
对染色体原图进行连通域标记，得到染色体切片图像；
获取所有染色体切片图像对应的端点个数；
判断端点个数是否大于两个，若是，则判定染色体切片图像为染色体簇图像，反之，则判定染色体切片图像为单条染色体图像。
6.根据权利要求2-5任一项所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码，其具体包括：
对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像；
通过卷积神经网络对特征图像进行卷积处理，得到特征图像对应的掩码。
7.根据权利要求6所述的一种染色体切割数据的处理方法，其特征在于：所述对染色体簇图像进行特征提取，生成每张染色体簇图像的特征图像，其具体包括：
通过区域建议网络对染色体簇图像进行特征提取，生成待处理图像；
对待处理图像进行尺度归一化处理，生成预设大小的特征图像。
8.一种染色体切割数据的处理系统，其特征在于：包括：
第一获取模块，用于获取染色体原图；
分类模块，用于对染色体原图进行分类，得到单条染色体图像作为第一图像和染色体簇图像；
实例分割模块，用于对染色体簇图像进行实例分割，得到染色体簇图像内每条染色体的掩码；
第二获取模块，用于通过每条染色体的掩码从染色体簇图像中获取单条染色体对应的像素值；
生成模块，用于根据每条染色体对应的像素值生成染色体簇图像的单条染色体图像作为第二图像；
融合模块，用于将第一图像和第二图像进行融合，得到所有单条染色体组成的染色体排列图。
9.一种染色体切割数据的处理系统，其特征在于：包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的一种染色体切割数据的处理方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述的一种染色体切割数据的处理方法。
CN202010013921.7A 2020-01-07 2020-01-07 一种染色体切割数据的处理方法、系统和存储介质 Pending CN111223084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013921.7A CN111223084A (zh) 2020-01-07 2020-01-07 一种染色体切割数据的处理方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013921.7A CN111223084A (zh) 2020-01-07 2020-01-07 一种染色体切割数据的处理方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN111223084A true CN111223084A (zh) 2020-06-02

Family

ID=70829281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013921.7A Pending CN111223084A (zh) 2020-01-07 2020-01-07 一种染色体切割数据的处理方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN111223084A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986183A (zh) * 2020-08-25 2020-11-24 中国科学院长春光学精密机械与物理研究所 一种染色体散型图像自动分割识别系统及装置
CN112215800A (zh) * 2020-09-14 2021-01-12 北京航空航天大学 基于机器学习的重叠染色体识别和分割方法
CN112365482A (zh) * 2020-11-16 2021-02-12 上海北昂医药科技股份有限公司 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法
CN112487942A (zh) * 2020-11-26 2021-03-12 华南师范大学 染色体实例分割方法、系统和存储介质
CN112487930A (zh) * 2020-11-26 2021-03-12 华南师范大学 自动染色体核型分析方法、系统和存储介质
CN112633266A (zh) * 2020-11-26 2021-04-09 华南师范大学 染色体簇分割方法、系统和存储介质
CN113920069A (zh) * 2021-09-26 2022-01-11 广州达安临床检验中心有限公司 染色体核型分析模拟数据集的构建方法、构建装置、设备及存储介质
CN114170218A (zh) * 2021-12-16 2022-03-11 易构智能科技(广州)有限公司 一种染色体图像实例标签生成方法及系统

Citations (5)

* 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
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
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
CN110610757A (zh) * 2019-09-24 2019-12-24 电子科技大学 基于人工智能与图形学结合的染色体图像处理方法

Patent Citations (5)

* 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
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
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
CN110610757A (zh) * 2019-09-24 2019-12-24 电子科技大学 基于人工智能与图形学结合的染色体图像处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHERVIN MINAEE等: "A Geometric Approach To Fully Automatic Chromosome Segmentation", 《ARXIV:1112.4164V5》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986183A (zh) * 2020-08-25 2020-11-24 中国科学院长春光学精密机械与物理研究所 一种染色体散型图像自动分割识别系统及装置
CN111986183B (zh) * 2020-08-25 2023-07-04 中国科学院长春光学精密机械与物理研究所 一种染色体散型图像自动分割识别系统及装置
CN112215800A (zh) * 2020-09-14 2021-01-12 北京航空航天大学 基于机器学习的重叠染色体识别和分割方法
CN112365482A (zh) * 2020-11-16 2021-02-12 上海北昂医药科技股份有限公司 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法
CN112365482B (zh) * 2020-11-16 2022-05-03 上海北昂医药科技股份有限公司 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法
CN112487942A (zh) * 2020-11-26 2021-03-12 华南师范大学 染色体实例分割方法、系统和存储介质
CN112487930A (zh) * 2020-11-26 2021-03-12 华南师范大学 自动染色体核型分析方法、系统和存储介质
CN112633266A (zh) * 2020-11-26 2021-04-09 华南师范大学 染色体簇分割方法、系统和存储介质
CN113920069A (zh) * 2021-09-26 2022-01-11 广州达安临床检验中心有限公司 染色体核型分析模拟数据集的构建方法、构建装置、设备及存储介质
CN113920069B (zh) * 2021-09-26 2022-07-08 广州达安临床检验中心有限公司 染色体核型分析模拟数据集的构建方法、构建装置、设备及存储介质
CN114170218A (zh) * 2021-12-16 2022-03-11 易构智能科技(广州)有限公司 一种染色体图像实例标签生成方法及系统

Similar Documents

Publication Publication Date Title
CN111223084A (zh) 一种染色体切割数据的处理方法、系统和存储介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN110120040B (zh) 切片图像处理方法、装置、计算机设备和存储介质
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN108171104B (zh) 一种文字检测方法及装置
CN108830326B (zh) 一种mri图像的自动分割方法及装置
EP3819859B1 (en) Sky filter method for panoramic images and portable terminal
CN112966691B (zh) 基于语义分割的多尺度文本检测方法、装置及电子设备
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN110378313B (zh) 细胞团识别方法、装置及电子设备
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
CN111986183A (zh) 一种染色体散型图像自动分割识别系统及装置
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN113160185A (zh) 一种利用生成边界位置指导宫颈细胞分割的方法
CN113516126A (zh) 一种基于注意力特征融合的自适应阈值场景文本检测方法
CN114565605A (zh) 一种病理图像的分割方法及装置
CN111582057B (zh) 一种基于局部感受野的人脸验证方法
CN112733873A (zh) 一种基于深度学习的染色体核型图分类方法及装置
CN107368847A (zh) 一种作物叶部病害识别方法及系统
CN115775226B (zh) 基于Transformer的医学图像分类方法
CN114170224B (zh) 应用生成式染色归一化的细胞病理分类的系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602