CN112711983A - 核型分析系统、方法、电子设备及可读存储介质 - Google Patents

核型分析系统、方法、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112711983A
CN112711983A CN202011424092.8A CN202011424092A CN112711983A CN 112711983 A CN112711983 A CN 112711983A CN 202011424092 A CN202011424092 A CN 202011424092A CN 112711983 A CN112711983 A CN 112711983A
Authority
CN
China
Prior art keywords
image
chromosome
metaphase
network
characteristic data
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
Application number
CN202011424092.8A
Other languages
English (en)
Other versions
CN112711983B (zh
Inventor
丰生日
刘丽珏
李仪
刘香永
穆阳
蔡昱峰
彭伟雄
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.)
Hunan Zixing Wisdom Medical Technology Co ltd
Original Assignee
Hunan Zixing Wisdom Medical Technology Co ltd
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 Hunan Zixing Wisdom Medical Technology Co ltd filed Critical Hunan Zixing Wisdom Medical Technology Co ltd
Priority to CN202011424092.8A priority Critical patent/CN112711983B/zh
Publication of CN112711983A publication Critical patent/CN112711983A/zh
Application granted granted Critical
Publication of CN112711983B publication Critical patent/CN112711983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例提供了一种核型分析系统、方法、电子设备及可读存储介质,该系统包括:图像处理模块,用于对输入的染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征数据;数据处理模块,用于存储所述染色体中期图像的多个图像特征数据;业务接口模块,用于根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。该核型分析系统在将染色体中期图像输入到图像处理模块后,能够通过业务接口模块直接将染色体中期图像的图像特征输出到用户端,无需用户大量参与整个图像处理的操作,节约了用户花费在图像处理上的时间。

Description

核型分析系统、方法、电子设备及可读存储介质
技术领域
本发明涉及染色体分析技术领域,尤其涉及一种核型分析系统、方法、电子设备及可读存储介质。
背景技术
用户进行染色体核型处理时,为了加快处理效率一般借助核型分析系统进行处理,可是在对染色体中期图像进行切割和屏蔽中期等操作时,还是需要用户参与进行人工操作。所以,现有的系统需要用户花费时间对染色体图像进行相关的处理,在获取处理后的染色体中期图像以及核型结果时现有系统自动化程度较低。
发明内容
本发明实施例提供一种核型分析系统、方法、电子设备及可读存储介质,以解决现有的核型分析系统需要人工参与染色体中期图像的处理,难以直接得到处理后的染色体中期图像的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种核型分析系统系统,包括:
图像处理模块,用于对输入的染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征数据;
数据处理模块,用于存储所述染色体中期图像的多个图像特征数据;
业务接口模块,用于根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。
第二方面,本发明实施例还提供了一种核型分析方法,包括:
获取N张染色体中期图像,对每一所述染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征,所述N为大于1的整数;
对所述多个图像特征数据进行存储;
根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征输出到用户端。
第三方面,本发明实施例还提供了一种电子设备,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上述的方法。
第四方面,本发明实施例还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上述的方法。
本发明实施例的核型分析系统在将染色体中期图像输入到图像处理模块后,能够通过业务接口模块直接将染色体中期图像的图像特征输出到用户端,无需用户大量参与整个图像处理的操作,节约了用户花费在图像处理上的时间。
附图说明
图1为本发明实施例提供的核型分析系统的结构示意图;
图2为本发明实施例中针对染色体中期图像进行评级的流程图;
图3为本发明实施例提供的核型分析系统的一个实施例的流程图;
图4为本发明实施例提供的核型分析方法的流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
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,本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。
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。
如图1所示,本发明实施例提供了一种核型分析系统,包括:
图像处理模块101,用于对输入的染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征数据;
数据处理模块102,用于存储所述染色体中期图像的多个图像特征数据;
业务接口模块103,用于根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。
上述图像特征包括图像清晰度、染色体条数、同源染色体对数、染色体平均长度即染色体分散度。
其中,染色体条数是指在将染色体中期图像输入神经网络后,整张染色体中期图像中被分割成单条染色体的条数总量。染色体分散度是指计算出染色体轮廓彼此之间非重叠的数目。同源染色体对是指满足指定条件且预测为同一类别的染色体条数为两条称为同源染色体对。
在一些具体应用例中,上述各个特征可以基于如下方式进行得到:
对于染色体条数:可以首先对染色体中期图像进行预处理,得到预处理图像,接着将预处理图像输入到分割网络,分割网络对预处理图像进行分割,得到每张中期图分割出来的染色体条数。
其中,预处理的方式可以具体为:首先使得中期图的宽高要保证相同;接着对中期图进行背景去除,使得中期图的灰度直方图具有双高斯分布规律。
对于染色体分散度:可以计算分割出的染色体轮廓彼此之间非重叠的数目。
对于染色体平均长度:计算满足指定条件的染色体的骨架线平均长度。在一个示例中,首先可以对正常人体内的46条染色体进行编号,编号为1号、2号......22号、X、Y,其中前22号为常染色体,X、Y为性染色体。接着将这些染色体分为7组,1号到3号是A组;4号与5号是B组;X染色体以及6号到12号是C组;13号到15号是D组;16号到18号是E组;19号与20号是F组;21号、22号与Y染色体是G组。选取6号~12号共7个类别的染色体,即C组作为被预测的对象。当然,在实际应用中,也可以选择其他组的染色体作为被预测的对象。
同样结合上述以C组作为被预测对象的示例,上述指定条件是指:每条C组染色体被预测的概率值大于阈值T1。
骨架线的计算方法实现步骤可以为:
(a)给定每条染色体图像,采用Zhang-Suen细化算法得到染色体中轴线;
(b)遍历(a)的中轴线剪去多余的支叶;
(c)延长两端中轴线到染色体轮廓边界为止,从而得到染色体骨架线(中轴线);
(d)最后计算骨架线的长度。
对于图像清晰度:可以由中期图染色体区域的梯度平均值表示。具体实现步骤为:
(a)给定染色体中期图;
(b)对染色体中期图进行二值化处理,分离前景染色体目标区域和背景;
(c)构造一维图像滤波器kernel=[-1,0,1];
(d)对染色体前景区域图像进行滤波得到染色体区域的梯度图;
(e)计算染色体区域梯度图的平均值作为中期图到清晰度。
对于同源染色体对数:同源染色体对是指满足指定条件且预测为同一类别的染色体条数为两条称为同源染色体对。同源染色体对数是指预测类别为1号至22号同源染色体对的数目。
同源染色体对需要满足的条件有两个,这两个条件针对不同的数据集可以任选一种:
条件(1):预测为同一类别的染色体有且仅有2条。
条件(2):预测为同一类别的染色体条数大于等于2条,且预测概率最大的前2条的面积比小于阈值T2。这里的面积比是通过最大面积除以最小面积计算而来。
本实施例通过采集多种不同的图像特征,并对不同的图像特征进行评分,可以实现对染色体中期图像的综合判断。这样提高了对染色体中期图像进行评价的准确度。
进行图像处理时,首先将获得的染色体中期图像输入图像处理模块,通过图像处理模块得到这张染色体中期图像的多个图像特征数据,接着将图像特征数据输入数据处理模块,并存储在数据处理模块中,紧接着通过数据处理模块将存储的图像特征数据输入到业务接口模块中,业务接口模块接收上述图像特征数据,并根据所接收的图像特征数据对染色体中期图像进行处理,获得相对应的图像特征,最后将获得的图像特征进行展示或者将获得的图像特征发送到其他用户终端。
该核型分析系统在将染色体中期图像输入到图像处理模块后,能够通过业务接口模块直接将染色体中期图像的图像特征输出到用户端,无需用户大量参与整个图像处理的操作,节约了用户花费在图像处理上的时间。
可选地,所述图像处理模块包括辅助单元和基础单元,所述基础单元用于提取所述染色体中期图像的多个图像特征数据;所述辅助单元用于对所述染色体中期图或者所述图像特征数据进行优化处理。
设置两个单元对图像特征数据进行处理,提高了获得图像特征数据的精确度。
可选地,所述辅助单元包括以下至少一项:
增强函数子单元,所述增强函数子单元用于对所述染色体中期图像进行染色体带纹处理;
预处理子单元,所述预处理子单元用于对所述染色体中期图像进行亮度调节;
分割粘连子单元,所述分割粘连子单元用于根据所述图像特征数据对所述染色体中期图像中的粘连染色体进行切割处理。
上述增强函数包的设计是由于实际业务场景用户的需求是丰富多样的,所以为了快速满足用户对染色体带纹对比度、锐度等差异化要求,将多种增强函数方法集成在一起,实现配置化选择。
对于预处理子单元,能够实现不同医院之间的差异化图像数据的归一化,增强了分割网络模块的泛化能力。其中,泛化能力是指机器学习算法对新鲜样本的适应能力,简而言之就是在原有的数据集上添加新的数据集,通过训练输出一个合理的结果。
例如,来自不同医院的染色体中期图的亮度可能不同,为避免因亮度原因导致的图像分割误差等,可以通过预处理子单元,来将各个染色体中期图的亮度调整至预设亮度,以实现亮度的统一。
基于分割粘连子单元的使用,实际上可以将染色体中期图中的粘连的多个染色体分不同图层或控件进行渲染,如此,用户将鼠标移动到指定染色体粘连区域或交叉区域上,点击鼠标便可以对粘连和交叉染色体进行切割,最后用户对切割结果进行审核即可。
在一较优选地实施例中,辅助单元还包括配置参数子单元,利用该配置参数子单元可以达到对系统快速部署目的,并且支持不同局点对业务数据的差异化需求。容易理解的是,辅助单元还可以包括其他功能的子单元,在此不做具体的介绍。
通过设置上述子单元,提高了系统使用时的灵活性,而且上述部分子单元可以实现人机交互功能,在系统遇到一些无法解决的问题时,用户可以利用部分子单元可以对图像进行简单的处理。
可选地,所述基础单元包括分割网络和识别网络,所述分割网络的输入端用于接收所述染色体中期图像,所述分割网络的第一输出端用于输出至少一个所述图像特征数据;
所述分割网络的第二输出端用于输出M条染色体图像并作为所述识别网络的输入,所述识别网络的输出端用于输出所述M条单条染色体的图像特征数据。
上述分割网络和识别网络都采用了端到端的卷积神经网络架构设计,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的神经网络,是深度学习的代表算法之一。采用端到端的设计方式可以缩减人工预处理和后续处理,并尽可能使模型从原始输入到最终输出,给模型更多可以根据数据自动调节的空间,增加模型的整体契合度。
容易理解的是,关于分割网络的第一输出端,可以为直接对图像特征数据进行输出,通过输出这些图像特征数据可以进一步得到图像特征,具体的方式在上一实施例中进行了说明,此处不再赘述。
对于分割网络的第二输出端,输出M条单条染色体,直接连接至识别网络,由识别网络输出对应的M组图像特征数据。另识别网络的输出类别数在本专利中被定义为24类。这是由于人类染色体有1-22号常染色体以及X与Y性染色体。这里的M,不同的中期图像都有可能不同,取决于分割网络的输出染色体条数;换而言之,识别网络主要用于对分割网络输出的染色体进行识别,用于最后的同源染色体对的统计。
当然,当应用于其他生物染色体检测时,识别网络的类别定义也可以根据需要进行调整。
本实施例中,利用分割网络的输出得到染色体条数、染色体分散度和图像清晰度,利用识别网络的输出得到染色体平均长度和所述同源染色体对数。即基于分割网络与识别网络的联结组合来实现上述各个特征的获取,相对于利用一个网络输出上述全部特征,降低了对单个网络的训练难度,并且提高了整个神经网络的输出效率。
可选地,所述基础单元还包括和所述识别网络相连的异常检测网络,所述识别网络的输出端与所述异常检测网络的输入端相连,所述异常检测网络的输入端用于接收所述所述图像特征数据,所述异常检测网络的输出端用于输出异常检测结果。
上述异常检测网络可以通过对经过分割网络处理后的染色体中期图像进行标注,使得该染色体中期图像的图像特征在输出到用户端后,用户能够通过显示界面清楚的知道该染色体图像是否存在问题,如:染色体数目或染色体结构异常。关于标注的方式可以为对出现异常的染色体图像改变标注颜色,如正常的染色体图像不做标注,异常的染色体图像可以使用红色、黄色的对象进行标注,此处的对象可以是方框或者圆点等等。
易于理解的是,通过上述异常检测网络可以实现对异常染色体的预警作用,能够帮助用户进行快速筛查并获得符合要求的染色体图像,提高了图像的筛查效率。
可选地,所述业务接口模块包括染色体属性管理单元,所述染色体属性管理单元用于接收所述图像特征数据,并根据所述图像特征数据对每一所述染色体中期图像进行评分。
该属性管理单元实质上是这些图像特征的集合,如染色体条数、同源对数、染色体平均长度、分散度、图像清晰度、以及整个病例自动计数的统计分布等等。基于这些图像特征,用户可以实现对中期图像的自动筛选。
关于用户对中期图像的自动筛选,实际上是在属性管理单元内设置了评分子单元,通过对获得的这些图像特征进行评分并根据得到的分数对图像进行等级划分:
关于图像的评级方式可以为多样,下面结合一实施例对其中一种评级方式进行说明:
可以对染色体中期图像的多个图像特征分别进行评分,得到染色体中期图像的每个图像特征对应的分值,并将得到的各个分数值进行组合,得到一个由上述分值构成的组合数字,根据这个组合数字将这些染色体图像分为-2、-1、0、1四个级别。各级别的等级随着数值的增大而不断提高,并且图像质量也随着等级的提高而增加。
其中,关于不同图像特征的分值评定的先后顺序,即构成组合数字的各个分值的排列顺序,可以根据用户的使用习惯进行。例如:假设该用户习惯于先观察染色体中期图像的染色体分散度,则将染色体分散度放在等级评定的第一位,在完成染色体分散度的评定后,再接着评定其他特征,如染色体平均长度或同源染色体对数等。
具体地,可以如图2所示得流程进行评级,该流程包括:
步骤201,输入染色体中期图图像;
步骤202,统计每张中期图的图像特征;
步骤203,判断中期图的图像清晰度是否大于T1,若否,则执行步骤204,若是,则执行步骤205;
步骤204,判断中期图的图像清晰度是否小于T2,若是,则将该图像归为-2级中且该图像的首位数字为0,若否则将该图像归为-1级中且该图像的首位数字为1;
步骤205,判断分割的染色体条数是否大于T3且小于T4;若否,则执行步骤206,若是,则执行步骤207;
步骤206,判断分割的染色体条数是否小于T5或大于T6或者是同源染色体对数小于T7,若是,则将该图像归为-1级且该图像的首位数字为1,若否,则将该图像归为0级且该图像的首位数字为2;
步骤207,判断分割的染色体条数是否等于46而且同源染色体对数大于T8,若是,则将该图像归为1级且该图像的首位数字为4,若否,则执行步骤208;
步骤208,判断同源染色体对数是否小于T9,若是,则将该图像归为0级且该图像的首位数字为2,若否,则将该图像归为0级且该图像的首位数字为3。
其中,上述T1~T9均为设定的阈值。
这种方式可以供用户根据自身习惯对染色体中期图图像进行等级划分,提高了核型分析系统的使用灵活性。
可选地,所述业务接口模块还包括核型一览单元,所述核型一览单元用于根据每一所述染色体中期图像的评分对所述染色体中期图像进行归档处理,获得所述图像特征,并将所述图像特征输出到所述用户端。
上述核型一览单元可以将经过属性管理单元处理的中期图像进行分类处理,如将正常的染色体图像分为一组,将异常的染色体图像分为一组;或者是将位于同一等级内的不同染色体中期图像按照分数的高低进行排序;也包括将同一病例的多张中期图的同源染色体对按类别归档展示。在完成对染色体中期图像的处理后,将上述染色体中期图像对应的图像特征输出到用户端,此时用户便可以通过用户端观察到该染色体中期图像的所有图像特征、各张染色体中期图像之间的关系、哪张染色体中期图像显示异常都能通过客户端显示出来。
这样通过该核型一览单元减轻了用户的工作量,加快了用户进行图像筛选的步伐,将染色体中期图像的各个图像特征直接通过用户端进行显示,可以让用户直观,清楚的看到关于染色体中期图像的各种信息。
如图3所示,在一个具体应用例中,上述核型分析系统可以包括:
辅助功能接口,其中,辅助功能接口包括了多种增强函数包、数据预处理模块、一键分割粘连交叉和支持可配置扩展。其中,多种增强函数包可以实现上述的增强函数子单元的功能,数据预处理模块可以实现上述的预处理子单元的功能,一键分割粘连交叉可以实现上述的分割粘连子单元的功能,支持可配置扩展可以实现上述的配置参数子单元的功能。
基础功能接口,其中,基础功能接口包括分割模块、识别模块和异常检测模块。其中,分割模块可以实现上述的分割网络的功能,识别模块可以实现上述的识别网络的功能,异常检测模块可以实现上述的异常检测网络的功能。
结构数据接口,其中,结构数据接口包括结构化数据层和统计模块。结构化数据层和统计模块可以将图像特征数据进行存储。
核型业务接口,其中,核型业务接口包括染色体属性管理器、核型一览组件和后台业务数据统计组件。其中,染色体属性管理器可以实现上述的属性管理单元的功能,核型一览组件可以实现上述的核型一览单元的功能,后台业务数据统计组件能将图像特征进行比较和排序。
如图4所示,本发明实施例还提供了一种核型分析方法,包括:
步骤301,获取N张染色体中期图像,对每一所述染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征,所述N为大于1的整数;
步骤302,对所述多个图像特征数据进行存储;
步骤303,根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。
上述步骤301还包括进行辅助管理和基础管理,其中,所述基础管理用于提取所述染色体中期图像的多个图像特征数据;所述辅助管理用于对所述染色体中期图或者所述图像特征数据进行优化处理。
可选地,所述辅助管理包括以下至少一项:
增强函数处理,用于对所述染色体中期图像进行染色体带纹处理;
预处理,用于对所述染色体中期图像进行亮度调节;
分割粘连处理,用于根据所述图像特征数据对所述染色体中期图像中的粘连染色体进行切割处理。
可选地,所述基础管理包括分割网络和识别网络,所述分割网络的输入端用于接收所述染色体中期图像,所述分割网络的第一输出端用于输出至少一个所述图像特征数据;
所述分割网络的第二输出端连接至所述识别网络的输入端,每一所述识别网络的输出端用于输出所述图像特征数据。
可选地,所述基础管理还包括和所述识别网络相连的异常检测网络,所述识别网络的输出端与所述异常检测网络的输入端一一对应,所述异常检测网络的输入端用于接收所述所述图像特征数据,所述异常检测网络的输出端用于输出异常检测结果。
可选地,所述步骤303包括染色体属性管理,所述染色体属性管理用于接收所述图像特征数据,并根据所述图像特征数据对每一所述染色体中期图像进行评分。
可选地,所述步骤303还包括核型处理,所述核型处理用于根据每一所述染色体中期图像的评分对所述染色体中期图像进行归档处理,获得所述图像特征,并将所述图像特征输出到所述用户端。
需要说明的是,该核型分析方法是与上述核型分析系统对应的方法,上述方法实施例中所有实现方式均适用于该评分方法的实施例中,也能达到相同的技术效果。
可选地,本发明实施例还提供了一种电子设备,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上述的核型分析系统。
可选地,本发明实施例还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上述的系统。
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;而这些修改或者替换,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)

1.一种核型分析系统,其特征在于,包括:
图像处理模块,用于对输入的染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征数据;
数据处理模块,用于存储所述染色体中期图像的多个图像特征数据;
业务接口模块,用于根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。
2.根据权利要求1所述的系统,其特征在于,所述图像处理模块包括辅助单元和基础单元,所述基础单元用于提取所述染色体中期图像的多个图像特征数据;所述辅助单元用于对所述染色体中期图或者所述图像特征数据进行优化处理。
3.根据权利要求2所述的系统,其特征在于,所述辅助单元包括以下至少一项:
增强函数子单元,所述增强函数子单元用于对所述染色体中期图像进行染色体带纹处理;
预处理子单元,所述预处理子单元用于对所述染色体中期图像进行亮度调节;
分割粘连子单元,所述分割粘连子单元用于根据所述图像特征数据对所述染色体中期图像中的粘连染色体进行切割处理。
4.根据权利要求2所述的系统,其特征在于,所述基础单元包括分割网络和识别网络,所述分割网络的输入端用于接收所述染色体中期图像,所述分割网络的第一输出端用于输出至少一个所述图像特征数据;
所述分割网络的第二输出端用于输出M条染色体图像并作为所述识别网络的输入,所述识别网络的输出端用于输出M组图像特征数据。
5.根据权利要求4所述的系统,其特征在于,所述基础单元还包括和所述识别网络相连的异常检测网络,所述识别网络的输出端与所述异常检测网络的输入端相连,所述异常检测网络的输入端用于接收所述图像特征数据,所述异常检测网络的输出端用于输出异常检测结果。
6.根据权利要求1所述的系统,其特征在于,所述业务接口模块包括染色体属性管理单元,所述染色体属性管理单元用于接收所述图像特征数据,并根据所述图像特征数据对每一所述染色体中期图像进行评分。
7.根据权利要求1所述的系统,其特征在于,所述业务接口模块还包括核型一览单元,所述核型一览单元用于根据每一所述染色体中期图像的特征数据对所述染色体图像进行归档处理,获得所述图像特征,并将所述图像特征输出到所述用户端。
8.一种核型分析方法,其特征在于,包括:
获取N张染色体中期图像,对每一所述染色体中期图像进行处理,获得所述染色体中期图像的多个图像特征,所述N为大于1的整数;
对所述多个图像特征数据进行存储;
根据所述多个图像特征数据对所述染色体中期图像进行处理,获得所述染色体中期图像的图像特征,并将所述图像特征进行展示。
9.一种电子设备,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7任一项所述的系统。
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7任一项所述的系统。
CN202011424092.8A 2020-12-08 2020-12-08 核型分析系统、方法、电子设备及可读存储介质 Active CN112711983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011424092.8A CN112711983B (zh) 2020-12-08 2020-12-08 核型分析系统、方法、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011424092.8A CN112711983B (zh) 2020-12-08 2020-12-08 核型分析系统、方法、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112711983A true CN112711983A (zh) 2021-04-27
CN112711983B CN112711983B (zh) 2024-06-21

Family

ID=75542728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011424092.8A Active CN112711983B (zh) 2020-12-08 2020-12-08 核型分析系统、方法、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112711983B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049686A (zh) * 2022-08-15 2022-09-13 湖南自兴智慧医疗科技有限公司 一种基于辅助信息的复杂染色体区域分割方法及装置
CN115063411A (zh) * 2022-08-04 2022-09-16 湖南自兴智慧医疗科技有限公司 一种染色体异常区域分割检测方法和系统
CN115220622A (zh) * 2021-12-17 2022-10-21 深圳市瑞图生物技术有限公司 染色体图像编辑方法、分析设备及存储介质
CN117152147A (zh) * 2023-10-31 2023-12-01 杭州德适生物科技有限公司 一种在线染色体协同分析方法、系统及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140016843A1 (en) * 2012-06-19 2014-01-16 Health Discovery Corporation Computer-assisted karyotyping
CN108711161A (zh) * 2018-06-08 2018-10-26 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
CN109035222A (zh) * 2018-07-10 2018-12-18 泰山医学院 一种智能染色体异常核型图像库控制系统及控制方法
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
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
US20200012838A1 (en) * 2018-07-06 2020-01-09 Tata Consultancy Services Limited Method and system for automatic chromosome classification
US20200111212A1 (en) * 2018-10-05 2020-04-09 China Medical University Hospital Chromosome Abnormality Detecting Model, Detecting System Thereof, And Method For Detecting Chromosome Abnormality
CN111414788A (zh) * 2019-09-23 2020-07-14 中国矿业大学 基于可变形u型网络的重叠染色体分割方法
CN111652167A (zh) * 2020-06-09 2020-09-11 四川大学 一种染色体核型图像智能评价方法及系统
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
CN112037173A (zh) * 2020-08-04 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体检测方法、装置及电子设备
CN112037174A (zh) * 2020-08-05 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体异常检测方法、装置、设备及计算机可读存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140016843A1 (en) * 2012-06-19 2014-01-16 Health Discovery Corporation Computer-assisted karyotyping
CN108711161A (zh) * 2018-06-08 2018-10-26 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
US20200012838A1 (en) * 2018-07-06 2020-01-09 Tata Consultancy Services Limited Method and system for automatic chromosome classification
CN109035222A (zh) * 2018-07-10 2018-12-18 泰山医学院 一种智能染色体异常核型图像库控制系统及控制方法
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
US20200111212A1 (en) * 2018-10-05 2020-04-09 China Medical University Hospital Chromosome Abnormality Detecting Model, Detecting System Thereof, And Method For Detecting Chromosome Abnormality
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
CN111414788A (zh) * 2019-09-23 2020-07-14 中国矿业大学 基于可变形u型网络的重叠染色体分割方法
CN111652167A (zh) * 2020-06-09 2020-09-11 四川大学 一种染色体核型图像智能评价方法及系统
CN112037173A (zh) * 2020-08-04 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体检测方法、装置及电子设备
CN112037174A (zh) * 2020-08-05 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体异常检测方法、装置、设备及计算机可读存储介质
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220622A (zh) * 2021-12-17 2022-10-21 深圳市瑞图生物技术有限公司 染色体图像编辑方法、分析设备及存储介质
CN115220622B (zh) * 2021-12-17 2023-09-05 深圳市瑞图生物技术有限公司 染色体图像编辑方法、分析设备及存储介质
CN115063411A (zh) * 2022-08-04 2022-09-16 湖南自兴智慧医疗科技有限公司 一种染色体异常区域分割检测方法和系统
CN115049686A (zh) * 2022-08-15 2022-09-13 湖南自兴智慧医疗科技有限公司 一种基于辅助信息的复杂染色体区域分割方法及装置
CN115049686B (zh) * 2022-08-15 2022-11-29 湖南自兴智慧医疗科技有限公司 一种基于辅助信息的复杂染色体区域分割方法及装置
CN117152147A (zh) * 2023-10-31 2023-12-01 杭州德适生物科技有限公司 一种在线染色体协同分析方法、系统及介质
CN117152147B (zh) * 2023-10-31 2024-02-09 杭州德适生物科技有限公司 一种在线染色体协同分析方法、系统及介质

Also Published As

Publication number Publication date
CN112711983B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN112711983A (zh) 核型分析系统、方法、电子设备及可读存储介质
CN112949710B (zh) 一种图像的聚类方法和装置
CN106156791B (zh) 业务数据分类方法和装置
EP2889618B1 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
EP2302583B1 (en) Image segmentation
CN109801260B (zh) 牲畜个数的识别方法、装置、控制装置及可读存储介质
US10007834B2 (en) Detection control device, detection system, non-transitory storage medium, and detection control method
US10769432B2 (en) Automated parameterization image pattern recognition method
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
US20200210776A1 (en) Question answering method, terminal, and non-transitory computer readable storage medium
CN112365471B (zh) 基于深度学习的宫颈癌细胞智能检测方法
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN111026870A (zh) 一种综合文本分类和图像识别的ict系统故障分析方法
EP1583023A1 (en) Model of documents and method for automatically classifying a document
CN114817681A (zh) 一种基于大数据分析的金融风控系统及其管理设备
CN112785566B (zh) 染色体中期图像评分方法、装置、电子设备及存储介质
CN113781483A (zh) 工业产品外观缺陷检测方法和装置
CN111461630B (zh) 派送快递包裹的监控方法、装置、设备及存储介质
CN107403162A (zh) 车辆公告号数据采集和分类的系统及方法
CN111126419B (zh) 网点聚类方法及装置
CN116246100A (zh) 染色体图像可解释评估选取方法、装置、设备及存储介质
CN105843930A (zh) 一种检索视频的方法及装置
CN111126121B (zh) 人脸识别模型的调整方法、装置、设备及存储介质
CN109993041A (zh) 一种识别方法、装置及计算机可读存储介质
CN109447490A (zh) 一种基于用户地址的户变关系异常判别方法

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
GR01 Patent grant
GR01 Patent grant