CN111986183A - 一种染色体散型图像自动分割识别系统及装置 - Google Patents
一种染色体散型图像自动分割识别系统及装置 Download PDFInfo
- Publication number
- CN111986183A CN111986183A CN202010864918.6A CN202010864918A CN111986183A CN 111986183 A CN111986183 A CN 111986183A CN 202010864918 A CN202010864918 A CN 202010864918A CN 111986183 A CN111986183 A CN 111986183A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- image
- connected domain
- current
- unit
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种染色体散型图像自动分割识别系统,通过第一确定单元对第一获取单元获取到的当前染色体散型图像进行分割,得到当前染色体图像连通域图像块,并通过分类单元将当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。本系统将第一确定单元的分割过程和分类单元的分类过程结合为一个完整的处理流程,设计的算法需要的处理时间短、处理效率高,并且通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高,不需要人工参与,实现了全自动识别染色体散型图像中的染色体。本发明还公开了一种染色体散型图像自动分割识别装置,具有与上述染色体散型图像自动分割识别系统相同的有益效果。
Description
技术领域
本发明涉及图像识别领域,特别是涉及一种染色体散型图像自动分割识别系统及装置。
背景技术
随着计算机视觉的发展,基于计算机视觉的医疗图像处理为医生进行快速医疗诊断带来助力。染色体核型图像对于医生判断病情非常重要。然而,通过医学处理手段获得的仅是染色体散型图像,这些图像的染色体散乱、随机、重叠的地散布。染色体散型图像无法直观的给医生提供病人染色体是否存在结构或者数目异常等问题。
现有技术中,将染色体散型图像进行处理,得到染色体核型图像的方法通常只进行分割方法设计或者分类方法设计,需要复杂的设备完成判别,且设计的算法需要的处理时间长、处理效率低,准确率不高,需要人工参与矫正错误的判断结果,非常耗费时间。
发明内容
本发明的目的是提供一种染色体散型图像自动分割识别系统及装置,将对染色体散型图像的分割过程和分类过程结合为一个完整的处理流程,设计的算法需要的处理时间短、处理效率高,并且通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高,不需要人工参与,实现了全自动识别染色体散型图像中的染色体。
为解决上述技术问题,本发明提供了一种染色体散型图像自动分割识别系统,包括:
第一获取单元,用于获取用户的当前染色体散型图像;
第一确定单元,用于从所述当前染色体散型图像提取出当前染色体图像连通域图像块,其中,所述当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
分类单元,用于将所述当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
优选地,所述第一获取单元具体用于获取同一用户的多张所述当前染色体散型图像。
优选地,还包括:
图像预处理单元,用于对所述当前染色体散型图像进行图像预处理,得到预处理后的当前染色体散型图像,并将预处理后的当前染色体散型图像发送至所述第一确定单元,其中,所述当前图像预处理包括滤波处理、二值化处理、腐蚀处理以及膨胀处理。
优选地,所述第一确定单元包括:
标记单元,用于对所述当前染色体散型图像进行标记,得到当前染色体图像连通域;其中,所述当前染色体图像连通域包括单条染色体图像的连通域和/或多条染色体黏连的连通域和/或多条染色体重叠的连通域和/或无染色体图像的连通域;
所述第二确定单元,用于确定所述当前染色体图像连通域的外接矩形连通域,并将所述外接矩形连通域作为当前染色体图像连通域图像块。
优选地,所述第二确定单元包括:
第二获取单元,用于获取所述当前染色体图像连通域的最小外接矩形和水平外接矩形;
第一调整单元,用于将所述当前染色体图像连通域的最小外接矩形调整至与所述当前染色体图像连通域的水平外接矩形成90°角;
第二调整单元,用于将调整过的所述当前染色体图像连通域的最小外接矩形的白边去除,得到当前染色体图像连通域图像块。
优选地,所述第一确定单元还包括:
第三获取单元,获取所述当前染色体图像连通域的像素值;
第一判断单元,用于判断所述当前染色体图像连通域的像素值是否在第一像素值阈值区间内,若是,触发第二确定单元,若否,触发滤除单元;
所述滤除单元,用于将所述当前染色体图像连通域删除。
优选地,所述第一确定单元还包括:
第二判断单元,用于判断去除白边的所述当前染色体图像连通域的最小外接矩形的竖直方向的高度是否小于第二像素值阈值,若是,触发像素补充单元,若否,则直接将所述当前染色体图像连通域的最小外接矩形作为当前染色体图像连通域图像块;
所述像素补充单元,用于将所述外接矩形连通域的竖直方向的高度补充白色像素点到第二像素值阈值,得到所述当前染色体图像连通域图像块。
优选地,还包括:
第三判断单元,用于判断分类得到的染色体是否为单条染色体,若是,则触发保存单元,否则,舍弃该染色体的图像;
所述保存单元,用于将所述单条染色体的图像保存至染色体核型图像的相应位置。
优选地,还包括:
第四获取单元,用于获取1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块,所述异常类染色体图像块包括结构异常的染色体图像块,所述粘连类染色体图像块包括粘连的染色体图像块和/或重叠的染色体图像块;
训练单元,用于对所述1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块进行卷积神经网络训练,得到所述深度卷积神经网络模型。
为解决上述技术问题,本发明提供了一种染色体散型图像自动分割识别装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如下步骤:
获取用户的当前染色体散型图像;
从所述当前染色体散型图像提取出当前染色体图像连通域图像块,其中,所述当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
将所述当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
本发明提供了一种染色体散型图像自动分割识别系统,该方案中,通过第一确定单元对第一获取单元获取到的用户的当前染色体散型图像进行分割,得到用户的当前染色体图像连通域图像块,并通过分类单元将当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。本系统将第一确定单元的分割过程和分类单元的分类过程结合为一个完整的处理流程,设计的算法需要的处理时间短、处理效率高,并且通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高,不需要人工参与,实现了全自动识别染色体散型图像中的染色体。
本发明还提供了一种染色体散型图像自动分割识别装置,具有与上述染色体散型图像自动分割识别系统相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中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为本发明提供的一种染色体散型图像自动分割识别系统的结构示意图;
图2a为本发明提供的染色体散型图像示意图;
图2b为本发明提供的预处理后的染色体散型图像示意图;
图2c为本发明提供的染色体核型图像示意图;
图3为本发明提供的一种染色体散型图像自动分割识别系统的过程流程图;
图4为本发明提供的另一种染色体散型图像自动分割识别系统的结构示意图;
图5为本发明提供的深度卷积神经网络模型训练流程图;
图6为本发明提供的一种染色体散型图像自动分割识别装置的结构示意图。
具体实施方式
本发明的核心是提供一种染色体散型图像自动分割识别系统及装置,将对染色体散型图像的分割过程和分类过程结合为一个完整的处理流程,设计的算法需要的处理时间短、处理效率高,并且通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高,不需要人工参与,实现了全自动识别染色体散型图像中的染色体。
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1、图2a、图2b、图2c和图3,图1为本发明提供的一种染色体散型图像自动分割识别系统的结构示意图;图2a为本发明提供的染色体散型图像示意图,图2b为本发明提供的预处理后的染色体散型图像示意图,图2c为本发明提供的染色体核型图像示意图,其中,图2b中白色区域为预处理后的染色体散型图像的前景区域、黑色区域为预处理后的染色体散型图像的背景区域;图3为本发明提供的一种染色体散型图像自动分割识别系统的过程流程图。
该系统包括:
第一获取单元1,用于获取用户的当前染色体散型图像;
第一确定单元2,用于从当前染色体散型图像提取出当前染色体图像连通域图像块,其中,当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
分类单元3,用于将当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
申请人考虑到,医生在判断病人的染色体是否存在结构或者数目异常等问题时,通常通过染色体核型图像判断病情,然而医学处理手段获得的仅是染色体散型图像,染色体散型图像中包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块,为了能够帮助医生快速的进行医疗诊断,需要快速、高效的将获取的染色体散型图像进行分类处理。
本发明提供了一种染色体散型图像自动分割识别系统,具体地,第一获取单元1获取用户的当前染色体散型图像,然后,第一确定单元2对第一获取单元1获取到的用户的当前染色体散型图像进行分割,得到用户的当前染色体图像连通域图像块,其中,当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块,最后,分类单元3将当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
需要说明的是,这里的深度卷积神经网络模型通常使用现在较为先进的深度卷积分类网络进行训练,本申请在此不做特别的限定。
此外,当前染色体散型图像提取出的当前染色体图像连通域图像块的数量不是固定的,根据实际的图像判断,本申请在此不做特别的限定。
综上,本发明提供了一种染色体散型图像自动分割识别系统,本系统将第一确定单元2的分割过程和分类单元3的分类过程结合为一个完整的处理流程,设计的算法需要的处理时间短、处理效率高,并且通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高,不需要人工参与,实现了全自动识别染色体散型图像中的染色体。
请参照图4,图4为本发明提供的另一种染色体散型图像自动分割识别系统的结构示意图。
在上述实施例的基础上:
作为一种优选地实施例,第一获取单元1具体用于获取同一用户的多张当前染色体散型图像。
为了对同一用户的当前染色体散型图像中的染色体类型进行准确地分类,从而提高获取同一用户所有类别染色体的概率。本实施例中,通过第一获取单元1获取同一用户的多张当前染色体散型图像,再将该用户的多张当前染色体散型图像提取出的当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。可见,通过获取同一用户的多张当前染色体散型图像的方式可以提高获取同一用户所有类别染色体的概率,提高对同一用户的当前染色体散型图像中的染色体类型分类的准确性。
需要说明的是,考虑到后续染色体分类过程的时间成本问题,通常使用同一用户的五张当前染色体散型图像进行处理,但不仅限于使用同一用户的五张当前染色体散型图像进行处理,对于获取同一用户的当前染色体散型图像的具体数量,本申请在此不做特别的限定。
作为一种优选地实施例,还包括:
图像预处理单元4,用于对当前染色体散型图像进行图像预处理,得到预处理后的当前染色体散型图像,并将预处理后的当前染色体散型图像发送至第一确定单元2,其中,当前图像预处理包括滤波处理、二值化处理、腐蚀处理以及膨胀处理。
考虑到用户的当前染色体散型图像中会存在噪声以及较小的当前染色体图像连通域。本实施例中,对获取到的用户的当前染色体散型图像进行图像预处理,得到预处理后的当前染色体散型图像,并将预处理后的当前染色体散型图像发送至第一确定单元2,其中,当前图像预处理包括滤波处理、二值化处理、腐蚀处理以及膨胀处理。
对当前染色体散型图像进行滤波处理,可以将当前染色体散型图像中存在的噪声滤除,然后对当前染色体散型图像进行二值化处理,能够将当前染色体散型图像的前景区域和背景区域分开,从而判断染色体所在区域,最后对二值化处理后的当前染色体散型图像进行腐蚀处理以及膨胀处理,能够去除当前染色体散型图像中较小的当前染色体图像连通域。
此外,这里的滤波处理方式通常为中值滤波,但不仅限为中值滤波,对于具体选用哪种滤波处理方式,本申请在此不做特别的限定。
作为一种优选地实施例,第一确定单元2包括:
标记单元21,用于对当前染色体散型图像进行标记,得到当前染色体图像连通域;其中,当前染色体图像连通域包括单条染色体图像的连通域和/或多条染色体黏连的连通域和/或多条染色体重叠的连通域和/或无染色体图像的连通域;
第二确定单元22,用于确定当前染色体图像连通域的外接矩形连通域,并将外接矩形连通域作为当前染色体图像连通域图像块。
考虑到当前染色体散型图像中包括多个当前染色体图像连通域,为了能够迭代循环判断每一个连通域所对应的原图位置是否为染色体。本实施例中,对当前染色体散型图像进行标记,得到当前染色体图像连通域,并确定当前染色体图像连通域的外接矩形连通域,将外接矩形连通域作为当前染色体图像连通域图像块。通过对当前染色体散型图像进行标记,得到每一个当前染色体图像连通域,进而可以迭代循环判断每一个连通域所对应的原图位置是否为染色体。
需要说明的是,获取当前染色体图像连通域的方式是通过开源计算机视觉库对当前染色体散型图像进行标记,例如,通过OpenCV中的开源函数measure.regionprops对图像中的每一个连通域进行标记。
此外,获取当前染色体图像连通域的方式也不仅限为通过开源计算机视觉库对当前染色体散型图像进行标记,本申请在此不做特别的限定。
作为一种优选地实施例,第二确定单元22包括:
第二获取单元221,用于获取当前染色体图像连通域的最小外接矩形和水平外接矩形;
第一调整单元222,用于将当前染色体图像连通域的最小外接矩形调整至与当前染色体图像连通域的水平外接矩形成90°角;
第二调整单元223,用于将调整过的当前染色体图像连通域的最小外接矩形的白边去除,得到当前染色体图像连通域图像块。
考虑到深度卷积神经网络模型中的对比染色体图像通常是竖直方向,为了方便后续对当前染色体图像连通域中的染色体进行分类判断,并提高分类速度和准确率。在本实施例中,首先获取当前染色体图像连通域的最小外接矩形和水平外接矩形,将当前染色体图像连通域的最小外接矩形调整至与当前染色体图像连通域的水平外接矩形成90°角,从而将当前染色体图像连通域的最小外接矩形竖直转正。由于竖直转正的过程中,当前染色体图像连通域的最小外接矩形边缘会补偿一定的白色像素点,因此,第二调整单元223再将竖直转正过的当前染色体图像连通域的最小外接矩形的白边去除,得到当前染色体图像连通域图像块。
通过将当前染色体图像连通域的最小外接矩形竖直转正和去除白边的操作,在后续对当前染色体图像连通域中的染色体进行分类判断时更快速、方便,并且能够提高分类的准确率。
作为一种优选地实施例,第一确定单元2还包括:
第三获取单元23,获取当前染色体图像连通域的像素值;
第一判断单元24,用于判断当前染色体图像连通域的像素值是否在第一像素值阈值区间内,若是,触发第二确定单元22,若否,触发滤除单元25;
滤除单元25,用于将当前染色体图像连通域删除。
考虑到获取到的当前染色体图像连通域中存在不包含染色体的情况,在本实施例中,通过获取当前染色体图像连通域的像素值,判断当前染色体图像连通域的像素值是否在第一像素值阈值区间内,若当前染色体图像连通域的像素值在第一像素值阈值区间内,判断当前染色体图像连通域中包含染色体,若当前染色体图像连通域的像素值不在第一像素值阈值区间内,判断当前染色体图像连通域中不包含染色体,并将其滤除。可见,通过对单个当前染色体图像连通域的像素点的总数进行筛选,能够去掉不包含染色体的当前染色体图像连通域。
需要说明的是,考虑到单条染色体的最大和最小像素值在50~5000之间,因此这里的第一像素值阈值区间通常为50~5000,也即将少于50个像素值和大于5000个像素值的当前染色体图像连通域滤除。
此外,这里对当前染色体图像连通域进行判断的方式不仅限为通过当前染色体图像连通域的像素值进行判断,也可以对当前染色体图像连通域的长度和/或宽度进行判断,本申请在此不做特别的限定。
作为一种优选地实施例,第一确定单元2还包括:
第二判断单元26,用于判断去除白边的当前染色体图像连通域的最小外接矩形的竖直方向的高度是否小于第二像素值阈值,若是,触发像素补充单元27,若否,则直接将当前染色体图像连通域的最小外接矩形作为当前染色体图像连通域图像块;
像素补充单元27,用于将外接矩形连通域的竖直方向的高度补充白色像素点到第二像素值阈值,得到当前染色体图像连通域图像块。
考虑到深度卷积神经网络模型中的对比染色体图像通常是竖直方向,并且图像有一定的高度,为了方便后续对当前染色体图像连通域中的染色体进行分类判断,并提高分类速度和准确率。本实施例中,判断去除白边的当前染色体图像连通域的最小外接矩形的竖直方向的高度是否小于第二像素值阈值,若是,将外接矩形连通域的竖直方向的高度补充白色像素点到第二像素值阈值,得到当前染色体图像连通域图像块,若否,则直接将当前染色体图像连通域的最小外接矩形作为当前染色体图像连通域图像块。在后续对当前染色体图像连通域中的染色体进行分类判断时更快速、方便,并且能够提高分类的准确率。
需要说明的是,将外接矩形连通域的竖直方向的高度补充白色像素点到第二像素值阈值的方式通常为在边缘直接添加像素点为(255,255,255)的白色像素。
此外,这里的第二像素值阈值一般为60个像素值,但不仅限为60个像素值,本申请在此不做特别的限定。
作为一种优选地实施例,还包括:
第三判断单元5,用于判断分类得到的染色体是否为单条染色体,若是,则触发保存单元6,否则,舍弃该染色体的图像;
保存单元6,用于将单条染色体的图像保存至染色体核型图像的相应位置。
考虑到染色体核型图像中只需要不粘连、不重叠的单条染色体的类型,并且需要将染色体有序分类的得到染色体核型图像。在本实施例中,对分类得到的染色体进行判断,若该染色体不是单条染色体,将其舍弃,若该染色体是单条染色体,将该单条染色体的图像保存至染色体核型图像的相应位置。通过对分类得到的染色体进行判断和分类保存,能够得到染色体有序分类的染色体核型图像。
作为一种优选地实施例,还包括:
第四获取单元,用于获取1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块,异常类染色体图像块包括结构异常的染色体图像块,粘连类染色体图像块包括粘连的染色体图像块和/或重叠的染色体图像块;
训练单元,用于对1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块进行卷积神经网络训练,得到深度卷积神经网络模型。
请参照图5,图5为本发明提供的深度卷积神经网络模型训练流程图。
为了能准确地对染色体进行分类,本方案使用深度卷积神经网络模型进行类别判断,首先需要训练深度卷积神经网络模型。在本实施例中,获取1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块,共26类染色体图像块进行卷积神经网络训练,得到深度卷积神经网络模型。通过深度卷积神经网络模型对当前染色体图像连通域图像块中的染色体进行判断,准确率高。
需要说明的是,1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块是通过获取染色体库中已经存在的染色体核型图像获取的。具体地,在染色体库中选择1000张染色体核型图像和50张染色体散型图像,将1000张染色体核型图像中的每一条染色体图像取出,制作1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块共25类染色体图像块,将50张染色体散型图像中的粘连类染色体取出,制作粘连类染色体图像块,因此,制作共计26类染色体图像数据集。
具体地,在获取到26类染色体图像数据集之后,对26类染色体图像数据集中的每个染色体图像块进行图像预处理(即滤波处理、二值化处理、腐蚀处理以及膨胀处理),并将每个染色体图像块的竖直方向的高度补充白色像素点到第二像素值阈值。
然后,将补充白色像素点后的每个染色体图像块缩放到相同尺寸,通常为(224,224),并为了增加数据集图像的多样性,对其做数据增广处理,包括进行一定概率水平翻转、一定概率竖直翻转,再进行归一化处理。最后对深度卷积神经网络模型进行训练,将得到的深度卷积神经网络模型嵌入到染色体图像自动分割识别的流程中。
此外,深度卷积神经网络模型包括数据输入层对原始图像数据进行预处理,还包括卷积计算层、ReLu层、池化层、通道加权层以及全连接层。
请参照图6,图6为本发明提供的一种染色体散型图像自动分割识别装置的结构示意图。
为解决上述技术问题,本发明提供了一种染色体散型图像自动分割识别装置,包括:
存储器61,用于存储计算机程序;
处理器62,用于执行计算机程序时实现如下步骤:
获取用户的当前染色体散型图像;
从当前染色体散型图像提取出当前染色体图像连通域图像块,其中,当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
将当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
对于本发明提供的一种染色体散型图像自动分割识别装置的介绍请参照上述发明实施例,本发明在此不再赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种染色体散型图像自动分割识别系统,其特征在于,包括:
第一获取单元,用于获取用户的当前染色体散型图像;
第一确定单元,用于从所述当前染色体散型图像提取出当前染色体图像连通域图像块,其中,所述当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
分类单元,用于将所述当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
2.如权利要求1所述的染色体散型图像自动分割识别系统,其特征在于,所述第一获取单元具体用于获取同一用户的多张所述当前染色体散型图像。
3.如权利要求1所述的染色体散型图像自动分割识别系统,其特征在于,还包括:
图像预处理单元,用于对所述当前染色体散型图像进行图像预处理,得到预处理后的当前染色体散型图像,并将预处理后的当前染色体散型图像发送至所述第一确定单元,其中,所述当前图像预处理包括滤波处理、二值化处理、腐蚀处理以及膨胀处理。
4.如权利要求1所述的染色体散型图像自动分割识别系统,其特征在于,所述第一确定单元包括:
标记单元,用于对所述当前染色体散型图像进行标记,得到当前染色体图像连通域;其中,所述当前染色体图像连通域包括单条染色体图像的连通域和/或多条染色体黏连的连通域和/或多条染色体重叠的连通域和/或无染色体图像的连通域;
所述第二确定单元,用于确定所述当前染色体图像连通域的外接矩形连通域,并将所述外接矩形连通域作为当前染色体图像连通域图像块。
5.如权利要求4所述的染色体散型图像自动分割识别系统,其特征在于,所述第二确定单元包括:
第二获取单元,用于获取所述当前染色体图像连通域的最小外接矩形和水平外接矩形;
第一调整单元,用于将所述当前染色体图像连通域的最小外接矩形调整至与所述当前染色体图像连通域的水平外接矩形成90°角;
第二调整单元,用于将调整过的所述当前染色体图像连通域的最小外接矩形的白边去除,得到当前染色体图像连通域图像块。
6.如权利要求5所述的染色体散型图像自动分割识别系统,其特征在于,所述第一确定单元还包括:
第三获取单元,获取所述当前染色体图像连通域的像素值;
第一判断单元,用于判断所述当前染色体图像连通域的像素值是否在第一像素值阈值区间内,若是,触发第二确定单元,若否,触发滤除单元;
所述滤除单元,用于将所述当前染色体图像连通域删除。
7.如权利要求5所述的染色体散型图像自动分割识别系统,其特征在于,所述第一确定单元还包括:
第二判断单元,用于判断去除白边的所述当前染色体图像连通域的最小外接矩形的竖直方向的高度是否小于第二像素值阈值,若是,触发像素补充单元,若否,则直接将所述当前染色体图像连通域的最小外接矩形作为当前染色体图像连通域图像块;
所述像素补充单元,用于将所述外接矩形连通域的竖直方向的高度补充白色像素点到第二像素值阈值,得到所述当前染色体图像连通域图像块。
8.如权利要求1所述的染色体散型图像自动分割识别系统,其特征在于,还包括:
第三判断单元,用于判断分类得到的染色体是否为单条染色体,若是,则触发保存单元,否则,舍弃该染色体的图像;
所述保存单元,用于将所述单条染色体的图像保存至染色体核型图像的相应位置。
9.如权利要求1至8任一项所述的染色体散型图像自动分割识别系统,其特征在于,还包括:
第四获取单元,用于获取1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块,所述异常类染色体图像块包括结构异常的染色体图像块,所述粘连类染色体图像块包括粘连的染色体图像块和/或重叠的染色体图像块;
训练单元,用于对所述1-22类染色体图像块、x类染色体图像块、y类染色体图像块、异常类染色体图像块及粘连类染色体图像块进行卷积神经网络训练,得到所述深度卷积神经网络模型。
10.一种染色体散型图像自动分割识别装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如下步骤:
获取用户的当前染色体散型图像;
从所述当前染色体散型图像提取出当前染色体图像连通域图像块,其中,所述当前染色体图像连通域图像块包括单条染色体图像的连通域图像块和/或多条染色体黏连的连通域图像块和/或多条染色体重叠的连通域图像块和/或无染色体图像的连通域图像块;
将所述当前染色体图像连通域图像块输入至深度卷积神经网络模型中,得到染色体分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864918.6A CN111986183B (zh) | 2020-08-25 | 2020-08-25 | 一种染色体散型图像自动分割识别系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864918.6A CN111986183B (zh) | 2020-08-25 | 2020-08-25 | 一种染色体散型图像自动分割识别系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986183A true CN111986183A (zh) | 2020-11-24 |
CN111986183B CN111986183B (zh) | 2023-07-04 |
Family
ID=73444092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864918.6A Active CN111986183B (zh) | 2020-08-25 | 2020-08-25 | 一种染色体散型图像自动分割识别系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986183B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112508889A (zh) * | 2020-11-26 | 2021-03-16 | 郑州大学 | 一种染色体核型分析系统 |
CN112508128A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN113537182A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 染色体中期分裂相显微图像的自动识别方法与系统 |
CN113643306A (zh) * | 2021-08-16 | 2021-11-12 | 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方法 |
CN115331219A (zh) * | 2022-03-24 | 2022-11-11 | 中国疾病预防控制中心辐射防护与核安全医学所(国家卫生健康委核事故医学应急中心) | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012061669A2 (en) * | 2010-11-05 | 2012-05-10 | Cytognomix,Inc. | Centromere detector and method for determining radiation exposure from chromosome abnormalities |
WO2013192355A1 (en) * | 2012-06-19 | 2013-12-27 | Health Discovery Corporation | Computer-assisted karyotyping |
CN109242842A (zh) * | 2018-08-31 | 2019-01-18 | 郑州金域临床检验中心有限公司 | 基于图像识别的人类染色体分析装置、设备及存储介质 |
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 |
CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
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 |
CN110659717A (zh) * | 2018-07-12 | 2020-01-07 | 赛业(广州)生物科技有限公司 | 一种智能识别染色体数量的方法及系统 |
CN111223084A (zh) * | 2020-01-07 | 2020-06-02 | 华南师范大学 | 一种染色体切割数据的处理方法、系统和存储介质 |
-
2020
- 2020-08-25 CN CN202010864918.6A patent/CN111986183B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012061669A2 (en) * | 2010-11-05 | 2012-05-10 | Cytognomix,Inc. | Centromere detector and method for determining radiation exposure from chromosome abnormalities |
WO2013192355A1 (en) * | 2012-06-19 | 2013-12-27 | Health Discovery Corporation | Computer-assisted karyotyping |
CN110659717A (zh) * | 2018-07-12 | 2020-01-07 | 赛业(广州)生物科技有限公司 | 一种智能识别染色体数量的方法及系统 |
CN109242842A (zh) * | 2018-08-31 | 2019-01-18 | 郑州金域临床检验中心有限公司 | 基于图像识别的人类染色体分析装置、设备及存储介质 |
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 |
CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
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 |
CN111223084A (zh) * | 2020-01-07 | 2020-06-02 | 华南师范大学 | 一种染色体切割数据的处理方法、系统和存储介质 |
Non-Patent Citations (1)
Title |
---|
吕丹丹: "人染色体图像自动分割排列与异常诊断研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112508889A (zh) * | 2020-11-26 | 2021-03-16 | 郑州大学 | 一种染色体核型分析系统 |
CN112508889B (zh) * | 2020-11-26 | 2022-09-13 | 郑州大学 | 一种染色体核型分析系统 |
CN112508128A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN112508128B (zh) * | 2020-12-22 | 2023-07-25 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN113643306A (zh) * | 2021-08-16 | 2021-11-12 | 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方法 |
CN113537182A (zh) * | 2021-09-17 | 2021-10-22 | 北京慧荣和科技有限公司 | 染色体中期分裂相显微图像的自动识别方法与系统 |
CN115331219A (zh) * | 2022-03-24 | 2022-11-11 | 中国疾病预防控制中心辐射防护与核安全医学所(国家卫生健康委核事故医学应急中心) | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
CN115331219B (zh) * | 2022-03-24 | 2023-05-23 | 中国疾病预防控制中心辐射防护与核安全医学所(国家卫生健康委核事故医学应急中心) | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111986183B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986183A (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN106156766B (zh) | 文本行分类器的生成方法及装置 | |
US8873840B2 (en) | Reducing false detection rate using local pattern based post-filter | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN111223084A (zh) | 一种染色体切割数据的处理方法、系统和存储介质 | |
CN108876795A (zh) | 一种图像中物体的分割方法及系统 | |
CN111046886A (zh) | 号码牌自动识别方法、装置、设备及计算机可读存储介质 | |
Rossi et al. | FishAPP: A mobile App to detect fish falsification through image processing and machine learning techniques | |
Öztürk et al. | Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
CN111583226B (zh) | 细胞病理感染评估方法、电子装置及存储介质 | |
CN116485779A (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
KR20190114241A (ko) | 딥러닝 기반의 독성조류 판별 및 셀카운팅 장치 및 그 방법 | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
KR20220074043A (ko) | 심층신경망 및 영상처리를 이용한 어종 인식 및 체장 측정 방법 및 장치 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
CN111931687B (zh) | 一种票据识别方法及装置 | |
CN110619273B (zh) | 一种高效的虹膜识别方法以及识别装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |