CN112037174A - 染色体异常检测方法、装置、设备及计算机可读存储介质 - Google Patents
染色体异常检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112037174A CN112037174A CN202010777218.3A CN202010777218A CN112037174A CN 112037174 A CN112037174 A CN 112037174A CN 202010777218 A CN202010777218 A CN 202010777218A CN 112037174 A CN112037174 A CN 112037174A
- Authority
- CN
- China
- Prior art keywords
- karyotype
- chromosome
- segmentation
- discrimination
- atlas
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 208000031404 Chromosome Aberrations Diseases 0.000 title claims abstract description 32
- 206010067477 Cytogenetic abnormality Diseases 0.000 title claims abstract description 23
- 210000000349 chromosome Anatomy 0.000 claims abstract description 113
- 230000011218 segmentation Effects 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 34
- 210000003765 sex chromosome Anatomy 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 206010008805 Chromosomal abnormalities Diseases 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 15
- 210000001766 X chromosome Anatomy 0.000 description 12
- 210000002593 Y chromosome Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000001726 chromosome structure Anatomy 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 230000002759 chromosomal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000031864 metaphase Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000037068 Abnormal Karyotype Diseases 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000003917 human chromosome Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请适用于机器人学习技术领域,提供了染色体异常检测方法,包括:获取目标病例的N个第一图集,每一第一图集均包含多张分割图,每一分割图包含一条染色体的图像;将每一第一图集中的每一分割图分别输入到预先训练得到的H个目标判别模型中,得到每一分割图对应的H种核型的判别值;分别根据每一第一图集所包括的全部分割图对应的全部判别值,得到每一第一图集对应的核型配对结果,核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素;根据N个第一图集中的每一核型对应的元素的数量,以及每一核型对应的数量阈值,生成目标病例的检测结果。本申请有利于提高染色体异常检测的准确性。
Description
技术领域
本申请属于机器人学习技术领域,尤其涉及染色体异常检测方法、装置、设备及计算机可读存储介质。
背景技术
现有染色体异常检测中,一般都是利用传统图像处理对比是否存在异常特征进行判断。这种方式存在以下缺点:一、但由于染色体特征的多样性,有的异常染色体与正常染色体极度相似,且每个人的染色体虽然整体结构一样,但细分又有一些差异,这样导致一个或者几个固定的特征,很难把某一号或者某一特定异常表达全面,也就意味着漏检率会较高;二、传统图像处理方法需要大量的异常标签作为判断依据,然而染色体异常种类有上千种,甚至有一些异常只有几个病例样本,传统图像处理方法几乎不可能很好的囊括这些异常病例,使得检测结果准确性不高。
发明内容
本申请实施例提供了染色体异常检测方法、装置、设备及计算机可读存储介质,可以解决现有技术中染色体异常检测准确性不高的技术问题。
第一方面,本申请实施例提供了一种染色体异常检测方法,包括:
获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素;
根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果,其中,H为正整数, N为大于1的整数。
第二方面,本申请实施例提供了一种染色体异常检测装置,包括:
第一获取模块,用于获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
第二获取模块,用于将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
第一生成模块,用于分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体单独形成的第二元素;
第二生成模块,用于根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果;其中,H为正整数,N为大于1的整数。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例的有益效果:
本申请实施例通过将每一分割图分别输入到H个目标判别模型中,能够同时实现对分割图中染色体的分类以及异常判别,其不需要大量异常标签进行对比判断,大大提高了检测效率,同时能够对分割图中染色图图像进行全方位的异常判断,有助于降低漏检率。此外,本申请实施例通过判断一个目标病例的多个第一图集中各个核型对应的元素的数量来判断染色体是否异常,能够避免由于图像分割误差引起的错误判断。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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是本申请实施例一提供的染色体异常检测方法的流程示意图;
图2是本申请实施例二提供的染色体异常检测方法的流程示意图;
图3是本申请实施例三提供的染色体异常检测方法的流程示意图;
图4是本申请实施例四提供的染色体异常检测方法的流程示意图;
图5是本申请实施例五提供的生成对抗网络的结构示意图;
图6是本申请实施例六提供的染色体异常检测装置的结构示意图;
图7是本申请实施例提供的终端设备的硬件结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面结合附图对本申请的技术方案进行详细说明。
参见图1,为本申请实施例一提供的染色体异常检测方法的流程示意图,包括:
S101、获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
其中,将目标病例的每一张原始图通过图像分割技术得到多张分割图,每一张分割图中包括一条染色体的图像,多张分割图的集合形成各张原始图的第一图集。原始图为拍摄到的目标病例的染色体中期图。通过N张原始图分割后得到N个第一图集。
需要说明的是,本实施例中原始图主要是指人类的染色体中期图,但并不是对本实施例方法的限制,本实施例方法也同样可以适用于其他动物的染色体异常检测。
一般地,一张原始图中包括了目标病例的23对染色体,第一图集中包含了 46张分割图,每一张分割图中包含一条染色图的图像。可以理解的是,分割图所对应的染色体的图像可以为正常染色体的图像,也可以为结构异常的染色体的图像。染色体异常包括结构异常和数量异常,结构异常包括局部缺失、重复、倒位和互换等类型,数量异常即染色体丢失或染色体增多。在此不详述。
可以基于现有的图像分割模型对原始图进行分割后得到第一图集,例如基于遗传学算法的图像分割模型,在此不进行限制。
S102、将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述 H种核型的判别值与所述H个目标判别模型一一对应;
本实施例中,利用训练好的H个目标判别模型对N个第一图集中的每一分割图进行类型判别。
其中,每一个目标判别模型对应判别出一种核型的染色体。示例地,H个目标判别模型包括24个目标判别模型,分别是1号目标判别模型、2号目标判别模型、3号目标判别模型、…、23号目标判别模型、24号目标判别模型,24 个目标判别模型分别用于判别1号核型的染色体、2号核型的染色体、3号核型的染色体、…、X核型的染色体和Y核型的染色体。
在本实施例中,每一分割图均需输入到H个目标判别模型中,得到H个目标判别模型输出的H个核型的判别值。所述H种核型的判别值与所述H个目标判别模型一一对应,表示一个目标判别模型对应一种核型,一个目标判别模型对应输出一个判别值。
示例地,1号目标判别模型输出的1号核型的判别值,其中判别值是指分割图为1号染色体的图像的可能性,判别值可以以概率值的方式表现,也可以以T(true)或F(fake)的方式表现,具体不限定。
具体地,以第一图集为单位,将第一图集中的逐一分割图输入到H个目标判别模型,获得H个判别结果。
S103、分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素;
根据判别值对分割图进行分类,判断分割图中的图像为几号核型的染色体的图像。例如,从分割图的H中核型的判别值可以看出分割图属于1号染色体的图像,则将分割图分为1号核型的染色体图。
以每一个第一图集为对象,对同一第一图集中的多张分割图进行分类后,按照配对规则对分割图进行配对。配对规则可以为同一核型的常染色体两两组合成第一元素或性染色体两两组合形成第二元素,即每一元素表示1对染色体。其中,性染色体两两组合包括X染色体和X染色体组合或X染色体和Y染色体组合。第一元素可以为同一核型的常染色体的分割图两两组和而成,或同一核型的常染色体的核型两两组合而成,同理,第二元素可以为性染色体的分割图两两组合而成,或性染色体的核型两两组合而成。示例地,第一图集的核型配对结果包括由核型两两组合而成的元素有{“0101”“0202”“0505”、“0606”、…、“XY”}或{“0101”“0202”“0505”、“0606”、…、“XX”}或{“0101”“0202”“0505”、“0606”、…、“2121”、“2222”},此处的元素包括第一元素和第二元素,且第一元素和第二元素为核型的配对结果。可以理解的是,每一核型配对结果最多可以包括23个元素(分别为22个第一元素和1个第二元素),即表示对应的原始图中有23对正常染色体。
其中,在配对过程中,可以根据预设的目标病例的性别来进行性染色体的配对。例如,当目标病例为女性时,则可以将同为“X”核型的染色体进行配对组合,当目标病例为男性时,则可以将“X”核型的染色体和“Y”核型的染色体进行组合。此处,可以是染色体所对应的分割图的组合也可以是染色体的核型的组合。
需要说明的是,当第一图集中的某一分割图存在结构异常时,不能通过H 个判别模型判别出其属于哪种核型染色体,此时核型配对结果中不包含结构异常的染色体的配对信息。例如,当核型配对结果为{“0101”“0202”“0505”、“0606”、…、“XY”}时,缺少3号核型染色体和4号核型染色体的配对信息,则表示3号染色体和4号染色体结构异常或数量异常,不能实现正常配对。不能正常配对的原因是配对的两条染色体中至少有一条染色体结构异常导致不能正常配对。
通过本实施例中的H个判别模型,能将第一图集中存在结构异常的染色体图像筛选掉,只统计结构正常的染色体对的数量。
S104、根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果,其中,H为正整数,N为大于1的整数。
本实施例是通过判断目标病例的多张原始图共同包含的每一种核型元素的数量来判断其染色体正常与否。其中,对应每一种核型预设有数量阈值。
一般地,根据第一图集的数量来设置每一核型的数量阈值。例如,每一核型的阈值为μ*N,其中μ为预设系数,N表示第一图集的数量,即原始图的数量。一般的μ大于0.8且不超过1。当某一核型中元素的数量大于μ*N时,第一图集中与该核型对应的染色体结构和数量均正常,当所有核型中元素的数量均大于μ*N时,则表示目标病例的所有核型的染色体结构和数量均正常,此时生成用于表征目标病例正常的检测结果;当某一核型中元素的数量小于或等于μ*N时,则表示目标病例的该核型的染色体结构或数量存在异常,此时生成用于表征目标病例异常的检测结果。
其中,X核型的数量阈值与Y核型的数量阈值还根据目标病例的性别来确定。例如,目标病例为女性时,X核型的数量阈值为μ*N,Y核型的数量阈值为0,此时X核型对应的元素为“XX”;当目标病例为男性时,X核型的数量阈值和Y核型的数量阈值均为μ*N,此时X核型对应的元素为“XY”,Y核型对应的元素为“XY”。
其中,将系数μ的设置是为了避免由于图像分割模型分割精度问题造成个别几张原始图的分割图分割不准确时导致对目标病例病情判断错误的情况出现。
在本实施例中,通过将每一分割图分别输入到H个目标判别模型中,能够同时实现对分割图中染色体的分类以及异常判别,其不需要大量异常标签进行对比判断,大大提高了检测效率,同时能够对分割图中染色图图像进行全方位的异常判断,有助于降低漏检率。此外,本申请通过判断一个目标病例的多个第一图集中各个核型对应的元素的数量来判断染色体是否异常,能够避免由于图像分割误差引起的错误判断。
参见图2,为本申请实施例二提供的染色体异常检测方法的流程示意图,包括S201至S205,与实施例一相比,S201、S202、S205分别与S101、S102、 S103相同,在此不赘述,不同之处在于S203和S204,详述如下:
S203、根据每一所述分割图的预测判别值对应的核型得到所述每一所述分割图的预测核型,所述预测判别值为所述H种核型的判别值中大于第一阈值且数值最大的判别值;
在本实施例中,为了考虑到目标判别模型的判别精度,判别值以概率值的形式体现,如何当同时有几个目标判别模型判断出某一分割图为真时,可以根据判别值的大小来确定分割图中染色体的核型。此时,将每一分割图输入到各个目标判别模型后,各个目标判别模型输出一个概率值,以表示该分割图中染色体的图像为对应核型染色体的概率。
其中,第一阈值可以为0.5,当目标判别模型输出的概率值小于0.5时,表示该分割图不为对应核型的染色体,当目标判别模型输出的概率大于0.5时,表示该分割图可能为对应核型的染色体。此时,将数值大于0.5的多个概率值 (即判别值)中的最大值作为预设判别值来判断该分割图的核型。
预设判别值的核型为得出该预设判别值的目标判别模型对应的核型。预设判别值的核型作为分割图的预测核型。
S204、根据每一所述第一图集中的全部所述分割图的预测核型进行配对生成对应的核型配对结果。
设核型即为分割图的核型。根据分割图的预测核型来进行配对。
配对规则可以为同一核型的常染色体两两组合成第一元素或性染色体两两组合形成第二元素。其中,性染色体两两组合包括X染色体和X染色体组合或 X染色体和Y染色体组合。第一元素可以为同一核型的常染色体的分割图两两组和而成,或同一核型的常染色体的核型两两组合而成,同理,第二元素可以为性染色体的分割图两两组合而成,或性染色体的核型两两组合而成。示例地,第一图集的核型配对结果包括由核型两两组合而成的元素有{“0101”“0202”“0505”、“0606”、…、“XY”}或{“0101”“0202”“0505”、“0606”、…、“XX”},此处的元素包括第一元素和第二元素,且第一元素和第二元素为核型的配对结果。可以理解的是,每一核型配对结果最多可以包括23个元素(分别为22个第一元素和1个第二元素),即表示对应的原始图中有23对正常染色体。
其中,在配对过程中,可以根据预设的目标病例的性别来进行性染色体的配对。例如,当目标病例为女性时,则可以将同为“X”核型的染色体进行配对组合,当目标病例为男性时,则可以将“X”核型的染色体和“Y”核型的染色体进行组合。此处,可以是染色体所对应的分割图的组合也可以是染色体的核型的组合。
通过本实施例可以降低目标判别模型的判别精度对检测结果的影响。
参见图3,为本申请实施例三提供的染色体异常检测方法的流程示意图,包括S301至S305,与实施例一相比,S301至S303分别与S101至S103相同,在此不赘述,不同之处在于S304和S305,详述如下:
S304、依据所述N个第一图集对应的N个核型配对结果,得到与所述H 种核型分别对应的H个染色体集,每一所述染色体集的元素对应同一所述核型;
在本实施例中,为了加快检测速度,先将全部核型配对结果中的元素,按照核型进行分类,对应H种核型分成H个染色体集,每个染色体集中的元素相同。示例地,核型的数量为24种,将N个第一图集中核型相同的元素进行汇总,得到24个染色体集。24个染色体集可以包括1号染色体集、2号染色体集、 3号染色体集、…、X染色体集、Y染色体集。其中1号染色体集至22号染色体集为常染色体集,X染色体集、Y染色体集为性染色体集。其中,X染色体集包括“XY”元素或“XX”元素,Y染色体集包括“XY”元素或为空集。当目标病例为女性时,X染色体集包括“XY”元素,Y染色体集为空集;当目标病例为男性时,X染色体集包括“XY”元素,Y染色体集也包括“XY”元素,此时,元素“XY”同时被配置为X染色体集和Y染色体集。
具体地,可以按照每一所述预测核型整理全部核型配对结果中的元素,生成H个染色体集,每一所述染色体集与每一所述预测核型一一对应。
需要说明的是,未配置有预测核型的分割图并包含在核型配对结果中,因此也未包含在各个染色体集。
S305、根据每一所述染色体集中所述元素的数量,以及与所述每一所述染色体集对应的数量阈值,生成所述目标病例的检测结果。
其中,各个常染色体集的数量阈值可以根据第一图集的数量来设置,例如每一核型的阈值为μ*N,μ大于0.8且不超过1。当目标病例的男性时,X染色体集和Y染色体集的数量阈值也可以根据第一图集的数量来设置,例如每一核型的阈值为μ*N,μ大于0.8且不超过1。当目标病例为女性时,X染色体集可以根据第一图集的数量来设置,Y染色体集的数量阈值则可以默认为0。
需要说明的是,上述实施例提出的只是一种数量阈值设定方式中较优地选择,并不是对数量阈值设定方式的限制。
在上述实施例中,根据每一染色体集中元素的数量,以及与每一染色体集对应的数量阈值,生成目标病例的检测结果,包括:
其中,当至少一个所述染色体集中元素的数量小于对应的数量阈值时,生成用于表征所述目标病例异常的检测结果;
当全部所述染色体集中元素的数量小于对应的数量阈值时,生成用于表征所述目标病例异常的检测结果。
其中,检测结果可以以文档、邮件、消息等表示体现,具体形式不进行限制。
进一步地,检测结果中还可以包括存在异常情况的具体核型。例如,由于 1号染色体集中元素的数量小于对应的数量阈值时,检测结果还可以包括异常核型为1号染色体。
参见图4,为本申请实施例四提供的染色体异常检测方法的流程示意图,包括S401至S409,与实施例一相比,S406至S409与S101至S104相同,在此不赘述,不同之处在于S401至S405,详述如下:
S401、构建生成对抗网络,所述生成对抗网络包括原始生成模型和原始判别模型,所述原始判别模型为二分类网络;
S402、获取同一核型染色体的多张样本分割图片;
S403、将所述样本分割图片输入原始生成模型中,获得合成图片;其中,所述原始生成模型中包括编码器、解码器和反编码器,所述编码器用于接收所述样本分割图并根据所述样本分割图生成第一特征向量,所述解码器用于接收所述第一特征向量并根据所述第一特征向量生成合成图片,所述反编码器用于接收所述合成图并根据所述合成图生成第二特征向量,所述合成图相对所述样本分割图的第一损失函数和所述第二特征向量相对所述第一特征向量的第二损失函数构成所述原始生成模型的生成损失函数,所述原始判别模型的判别损失函数为交叉熵函数;
S404、将所述合成图片与所述样本分割图片输入至所述原始判别模型中,获得判别结果;
S405、基于所述判别结果对所述原始判别模型和所述原始生成模型的网络参数进行调整,直至依据所述判别结果得到的所述生成损失函数和所述判别损失函数均满足对应的损失阈值时,获得目标判别模型。
生成对抗网络(Generative Adversarial Net,GAN)是一种深度学习模型,通常包括生成模型(Genarator)与判别模型(Discriminator),通过生成模型与判别模型的互相博弈学习产生较好的输出。
本实施例中,构建的生成对抗网络包括原始生成模型和原始判别模型,基于半监督学习方法对样本分割图进行学习。具体地,原始生成模型包括编码器、解码器以及反编码器,所述编码器用于接收所述样本分割图并根据所述样本分割图生成第一特征向量,所述解码器用于接收所述第一特征向量并根据所述第一特征向量生成合成图片,所述反编码器用于接收所述合成图并根据所述合成图生成第二特征向量。原始判别模型为二分类网络,其输入端用于接收样本分割图和合成图片,用于判断样本分割图是否是真实图像。
其中,编码器、解码器、反编码器均使用卷积神经网络进行特征提取,主要是利用了卷积神经网络对于图像特征的平移不变性,随着神经网络层数递增,能够学习到图像特征。
参照图5,为本申请实施例五提供的生成对抗网络的结构示意图。其中,原始生成模型(Genareator)的工作原理是,样本分割图x先卷积编码器 Encoder_1,编码成向量z,向量z再通过解码器Decoder重构成图像x^,重构图像x^再通过编码器Encoder_2编码成向量z^,原始判别模型(Discriminator)的工作原理是:正样本为原图x,负样本为生成模型生成的x^,做二分类;其中,Conv_1、Conv_2、Conv_3、Conv_4均为卷积单元都构成卷积网络,Deconv_1、 Deconv_2、Deconv_3、Deconv_4均为反卷积单元,构成反卷积网络。
在一示例中,编码器Encoder_1、Encoder_2以及解码器Decoder的卷积核均为3*3,且步长均为2。
GAN模型中包括生成模型损失和判别模型损失,其中生成模型损失由两部分组成,一个是原图x与解码后x^的损失,损失函数为两者的L1距离,记作Ldec,示例地,Ldec=||x-x^||1,另一个是Encoder_1编码结果z与Encoder_2编码结果z^的损失,损失函数为两者的L2距离,记作Lenc,示例地,Lenc=||x-x^||2;判别模型损失为原图x与生成模型生成图x^做二分类,示例地,二分类损失为交叉熵函数记作Ldis:其中, yi表示样本分割图的类别,正类为1,负类为0;pi表示合成图片预测为正的预测概率,训练时,生成模型与判别模型交替优化,先优化生成模型损失LGen: LGen=Ldec+Lenc,再优化判别模型损失Ldis。
其中,所述生成对抗网络的数量为H个,H个所述生成对抗网络的所述样本分割图分别对应为所述H种核型的样本分割图。例如生成对抗网络的数量为 24个,24个生成对抗网络分别用于学习和判别1号染色体、2号染色体、…、 X染色体和Y染色体。
本实施例基于半监督学习思想,只需要训练正常染色体图像以及学习正常染色体的特征信息,充分利用正常染色体与异常染色体特征信息的差异性来进行染色体结构异常的检测,克服了现有技术中异常标签缺乏所引起的检测不全面的技术问题,既能够对染色体结构异常进行监测,又能够对染色体图像进行分类,实用性高。
图6为本申请实施例六提供的染色体异常检测装置的结构示意图。染色体异常检测装置包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。染色体异常检测装置包括:
第一获取模块61,用于获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
第二获取模块62,用于将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
第一生成模块63,用于分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体单独形成的第二元素;
第二生成模块64,用于根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果;其中,H为正整数,N为大于1的整数。
进一步地,第二获取模块62包括第一子模块和第二子模块,
第一子模块,用于根据每一所述分割图的预测判别值对应的核型得到所述每一所述分割图的预测核型,所述预测判别值为所述H种核型的判别值中大于第一阈值且数值最大的判别值;
第二子模块,根据每一所述第一图集中的全部所述分割图的预测核型进行配对生成对应的核型配对结果。
进一步地,第二生成模块64包括括第三子模块和第四子模块,
第三子模块,用于依据所述N个第一图集对应的N个核型配对结果,得到与所述H种核型分别对应的H个染色体集,每一所述染色体集的元素对应同一所述核型;
第四子模块,用于根据每一所述染色体集中所述元素的数量,以及与所述每一所述染色体集对应的数量阈值,生成所述目标病例的检测结果。
进一步地,第四子模块,还用于当任一所述染色体集中元素的数量小于对应的数量阈值时,生成用于表征所述目标病例异常的检测结果;当每一所述染色体集中元素的数量不小于对应的数量阈值时,生成用于表征所述目标正常的检测结果。
其中,上述染色体异常检测装置中各个模块的功能实现与上述染色体异常检测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
参见图7,图7是本申请实施例八提供的终端设备7的硬件结构示意图。如图7所示,该实施例终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如染色体异常检测程序。所述处理器70执行所述计算机程序72时实现上述各个染色体异常检测方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块61至64的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成指令第一获取模块、第二获取模块、第一生成模块、第二生成模块(为虚拟装置中的模块),各模块具体功能如下:
第一获取模块,用于获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
第二获取模块,用于将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
第一生成模块,用于分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体单独形成的第二元素;
第二生成模块,用于根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果;其中,H为正整数,N为大于1的整数。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端交易管理平台等计算设备。所述终端设备7可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
所述终端设备7可以是桌上型计算机、笔记本、手机、智能讲台、掌上电脑及云端交易管理平台等计算设备。所述终端设备7可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7 的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种染色体异常检测方法,其特征在于,包括:
获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体两两组合形成的第二元素;
根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果,其中,H为正整数,N为大于1的整数。
2.如权利要求1所述的方法,其特征在于,所述分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,包括:
根据每一所述分割图的预测判别值对应的核型得到所述每一所述分割图的预测核型,所述预测判别值为所述H种核型的判别值中大于第一阈值且数值最大的判别值;
根据每一所述第一图集中的全部所述分割图的预测核型进行配对生成对应的核型配对结果。
3.如权利要求1所述的方法,其特征在于,所述根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果,包括:
依据所述N个第一图集对应的N个核型配对结果,得到与所述H种核型分别对应的H个染色体集,每一所述染色体集的元素对应同一所述核型;
根据每一所述染色体集中所述元素的数量,以及与所述每一所述染色体集对应的数量阈值,生成所述目标病例的检测结果。
4.如权利要求3所述的方法,其特征在于,所述根据每一所述染色体集中元素的数量,以及与所述每一所述染色体集对应的数量阈值,生成所述目标病例的检测结果,包括:
当至少一个所述染色体集中元素的数量小于对应的数量阈值时,生成用于表征所述目标病例异常的检测结果;
当全部所述染色体集中元素的数量不小于对应的数量阈值时,生成用于表征所述目标正常的检测结果。
5.如权利要求1所述的方法,其特征在于,所述获取目标病例的N个第一图集之前,还包括:
构建生成对抗网络,所述生成对抗网络包括原始生成模型和原始判别模型,所述原始判别模型为二分类网络;
获取同一核型染色体的多张样本分割图片;
将所述样本分割图片输入原始生成模型中,获得合成图片;其中,所述原始生成模型中包括编码器、解码器和反编码器,所述编码器用于接收所述样本分割图并根据所述样本分割图生成第一特征向量,所述解码器用于接收所述第一特征向量并根据所述第一特征向量生成合成图片,所述反编码器用于接收所述合成图并根据所述合成图生成第二特征向量,所述合成图相对所述样本分割图的第一损失函数和所述第二特征向量相对所述第一特征向量的第二损失函数构成所述原始生成模型的生成损失函数,所述原始判别模型的判别损失函数为交叉熵函数;
将所述合成图片与所述样本分割图片输入至所述原始判别模型中,获得判别结果;
基于所述判别结果对所述原始判别模型和所述原始生成模型的网络参数进行调整,直至依据所述判别结果得到的所述生成损失函数和所述判别损失函数均满足对应的损失阈值时,获得目标判别模型。
6.如权利要求5所述的方法,其特征在于,所述生成对抗网络的数量为H个,H个所述生成对抗网络的所述样本分割图分别对应为所述H种核型的样本分割图。
7.一种染色体异常检测装置,其特征在于,包括:
第一获取模块,用于获取目标病例的N个第一图集,每一所述第一图集均包含多张分割图,每一所述分割图包含一条染色体的图像;
第二获取模块,用于将每一所述第一图集中的每一所述分割图分别输入到预先训练得到的H个目标判别模型中,得到每一所述分割图对应的H种核型的判别值,所述H种核型的判别值与所述H个目标判别模型一一对应;
第一生成模块,用于分别根据每一所述第一图集所包括的全部所述分割图对应的全部所述判别值,得到每一所述第一图集对应的核型配对结果,所述核型配对结果包括由同一核型的常染色体两两组合形成的第一元素和/或由性染色体单独形成的第二元素;
第二生成模块,用于根据所述N个第一图集中的每一所述核型对应的元素的数量,以及每一所述核型对应的数量阈值,生成所述目标病例的检测结果;其中,H为正整数,N为大于1的整数。
8.如权利要求7所述的染色体异常检测装置,其特征在于,所述第一生成模块包括第一子模块和第二子模块,
所述第一子模块,用于根据每一所述分割图的预测判别值对应的核型得到所述每一所述分割图的预测核型,所述预测判别值为所述H种核型的判别值中大于第一阈值且数值最大的判别值;
所述第二子模块,用于根据每一所述第一图集中的全部所述分割图的预测核型进行配对生成对应的核型配对结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777218.3A CN112037174B (zh) | 2020-08-05 | 2020-08-05 | 染色体异常检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777218.3A CN112037174B (zh) | 2020-08-05 | 2020-08-05 | 染色体异常检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037174A true CN112037174A (zh) | 2020-12-04 |
CN112037174B CN112037174B (zh) | 2024-03-01 |
Family
ID=73582049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777218.3A Active CN112037174B (zh) | 2020-08-05 | 2020-08-05 | 染色体异常检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037174B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711983A (zh) * | 2020-12-08 | 2021-04-27 | 湖南自兴智慧医疗科技有限公司 | 核型分析系统、方法、电子设备及可读存储介质 |
CN114240938A (zh) * | 2022-02-24 | 2022-03-25 | 浙江大学 | 一种h&e染色切片图像中异常组织的分割方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140016843A1 (en) * | 2012-06-19 | 2014-01-16 | Health Discovery Corporation | Computer-assisted karyotyping |
CN109074426A (zh) * | 2016-02-12 | 2018-12-21 | 瑞泽恩制药公司 | 用于检测异常核型的方法和系统 |
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 |
CN110265087A (zh) * | 2018-10-05 | 2019-09-20 | 中国医药大学附设医院 | 染色体异常检测模型、其检测系统及染色体异常检测方法 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110599487A (zh) * | 2019-09-23 | 2019-12-20 | 北京海益同展信息科技有限公司 | 物品检测方法、装置以及存储介质 |
CN110914456A (zh) * | 2017-03-31 | 2020-03-24 | 普莱梅沙有限公司 | 检测胎儿染色体异常的方法 |
CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
CN111340913A (zh) * | 2020-02-24 | 2020-06-26 | 北京奇艺世纪科技有限公司 | 图片生成与模型训练方法、装置及存储介质 |
CN111402951A (zh) * | 2020-03-17 | 2020-07-10 | 至本医疗科技(上海)有限公司 | 拷贝数变异预测方法、装置、计算机设备和存储介质 |
CN111429459A (zh) * | 2020-04-07 | 2020-07-17 | 上海极链网络科技有限公司 | 一种端到端的联合分类的医学图像分割方法及系统 |
CN111461068A (zh) * | 2020-04-27 | 2020-07-28 | 湖南自兴智慧医疗科技有限公司 | 一种染色体中期图识别和分割方法 |
CN111488930A (zh) * | 2020-04-09 | 2020-08-04 | 北京市商汤科技开发有限公司 | 分类网络的训练方法、目标检测方法、装置和电子设备 |
-
2020
- 2020-08-05 CN CN202010777218.3A patent/CN112037174B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140016843A1 (en) * | 2012-06-19 | 2014-01-16 | Health Discovery Corporation | Computer-assisted karyotyping |
CN109074426A (zh) * | 2016-02-12 | 2018-12-21 | 瑞泽恩制药公司 | 用于检测异常核型的方法和系统 |
CN110914456A (zh) * | 2017-03-31 | 2020-03-24 | 普莱梅沙有限公司 | 检测胎儿染色体异常的方法 |
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 |
CN110265087A (zh) * | 2018-10-05 | 2019-09-20 | 中国医药大学附设医院 | 染色体异常检测模型、其检测系统及染色体异常检测方法 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110599487A (zh) * | 2019-09-23 | 2019-12-20 | 北京海益同展信息科技有限公司 | 物品检测方法、装置以及存储介质 |
CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
CN111340913A (zh) * | 2020-02-24 | 2020-06-26 | 北京奇艺世纪科技有限公司 | 图片生成与模型训练方法、装置及存储介质 |
CN111402951A (zh) * | 2020-03-17 | 2020-07-10 | 至本医疗科技(上海)有限公司 | 拷贝数变异预测方法、装置、计算机设备和存储介质 |
CN111429459A (zh) * | 2020-04-07 | 2020-07-17 | 上海极链网络科技有限公司 | 一种端到端的联合分类的医学图像分割方法及系统 |
CN111488930A (zh) * | 2020-04-09 | 2020-08-04 | 北京市商汤科技开发有限公司 | 分类网络的训练方法、目标检测方法、装置和电子设备 |
CN111461068A (zh) * | 2020-04-27 | 2020-07-28 | 湖南自兴智慧医疗科技有限公司 | 一种染色体中期图识别和分割方法 |
Non-Patent Citations (2)
Title |
---|
张成成;宋婕萍;徐淑琴;李卉;徐闰红;王小艳;张立;游齐靖;张凯;林浩添;: "基于深度卷积神经网络对中期染色体分类的应用研究", 中国临床新医学, no. 02, pages 19 - 22 * |
李康;谢宁;李旭;谭凯;: "基于卷积神经网络和几何优化的统计染色体核型分析方法", 南京大学学报(自然科学), no. 01, pages 121 - 129 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711983A (zh) * | 2020-12-08 | 2021-04-27 | 湖南自兴智慧医疗科技有限公司 | 核型分析系统、方法、电子设备及可读存储介质 |
CN114240938A (zh) * | 2022-02-24 | 2022-03-25 | 浙江大学 | 一种h&e染色切片图像中异常组织的分割方法和装置 |
CN114240938B (zh) * | 2022-02-24 | 2022-05-27 | 浙江大学 | 一种h&e染色切片图像中异常组织的分割方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112037174B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
TW202207077A (zh) | 一種文本區域的定位方法及裝置 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN109242002A (zh) | 高维数据分类方法、装置及终端设备 | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN108021908B (zh) | 人脸年龄段识别方法及装置、计算机装置及可读存储介质 | |
CN112037174A (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
Moh’d Shamaileh et al. | A new feature-based wavelet completed local ternary pattern (Feat-WCLTP) for texture image classification | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN113486302A (zh) | 数据处理方法及装置 | |
CN110909817B (zh) | 分布式聚类方法及系统、处理器、电子设备及存储介质 | |
CN115223662A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112818774B (zh) | 一种活体检测方法及装置 | |
CN112906652A (zh) | 一种人脸图像的识别方法、装置、电子设备及存储介质 | |
CN116993839A (zh) | 编码方式筛选方法、装置、电子设备及存储介质 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN116486153A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN117493551A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN111382760A (zh) | 图片类别的识别方法、装置及计算机可读存储介质 | |
CN115080745A (zh) | 基于人工智能的多场景文本分类方法、装置、设备及介质 | |
US11388423B2 (en) | Region-of-interest based video encoding | |
CN114419370A (zh) | 目标图像处理方法、装置、存储介质与电子设备 | |
CN114357219A (zh) | 一种面向移动端实例级图像检索方法及装置 | |
US11055578B2 (en) | Method for classifying images and electronic device employing the method | |
CN112183336A (zh) | 表情识别模型训练方法、装置、终端设备及存储介质 |
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 |