CN112785566B - 染色体中期图像评分方法、装置、电子设备及存储介质 - Google Patents
染色体中期图像评分方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112785566B CN112785566B CN202110057995.5A CN202110057995A CN112785566B CN 112785566 B CN112785566 B CN 112785566B CN 202110057995 A CN202110057995 A CN 202110057995A CN 112785566 B CN112785566 B CN 112785566B
- Authority
- CN
- China
- Prior art keywords
- image
- chromosome
- scoring
- mid
- metaphase
- 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.)
- Active
Links
- 230000031864 metaphase Effects 0.000 title claims abstract description 79
- 238000013077 scoring method Methods 0.000 title claims abstract description 12
- 210000000349 chromosome Anatomy 0.000 claims abstract description 145
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000003765 sex chromosome Anatomy 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 210000001766 X chromosome Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003917 human chromosome Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种染色体中期图像评分方法、装置、电子设备及存储介质,该染色体中期图像评分方法包括:获取N张染色体中期图像,所述N为大于1的整数;分别将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分。本发明实施例利用训练的神经网络提取各张染色体中期图像中的各个特征,不仅保证了评分依据的客观性,提升了评分准确性,还可以从多个特征的角度进行评分,有助于满足不同用户的中期图挑选习惯,便于用户从中选取符合要求的中期图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种染色体中期图像评分方法、装置、电子设备及存储介质。
背景技术
现有的染色体核型分析方式是在对大量染色体中期图像进行初步筛选后,利用医务工作人员对筛选后的中期图像进行评分,根据评分结果从中选取符合要求的图像。现有技术中,对采用人工评分的方式,评分效率较低,且由于不同用户的评分标准不同,导致评分结果不够准确,影响中期图像的选取。
发明内容
本发明实施例提供一种染色体中期图像评分方法、装置、电子设备及存储介质,以解决依靠人工对染色体中期图像进行评分,从而影响染色体图像的评分排序结果,并影响染色体图像选取的问题。
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染色体中期图像评分方法,包括:
获取N张染色体中期图像,所述N为大于1的整数;
分别将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分。
第二方面,本发明实施例还提供了一种图像评分装置,包括:
获取模块,用于获取染色体中期图像;
图像特征提取模块,用于将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
评分模块,用于根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分。
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。
本发明实施例提供的染色体中期图像评分方法,首先获取N张染色体中期图像,再将每张染色体中期图像输入到训练的神经网络中,通过该神经网络输出每一张染色体中期图像对应的多个图像特征,根据得到的多个图像特征,对与这些图像特征相对应的染色体中期图像进行评分。相对于现有技术,本发明实施例利用训练的神经网络提取各张染色体中期图像中的各个特征,不仅保证了评分依据的客观性,提升了评分准确性,还可以从多个特征的角度进行评分,有助于满足不同用户的中期图挑选习惯,便于用户从中选取符合要求的中期图像。
附图说明
图1为本发明实施例提供的染色体中期图像评分方法的流程图;
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为本发明实施例中第一序列号的示意图;
图4为本发明实施例中针对染色体中期图像同时关联第一序列号和第二序列号的示意图;
图5为本发明实施例提供的染色体中期图像评分装置的结构示意图。
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染色体中期图像评分方法,包括以下步骤:
步骤101,获取N张染色体中期图像,所述N为大于1的整数;
步骤102,分别将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
步骤103,分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分。
本实施例中,染色体中期图像可以指,有多个染色体的分布的影像。
对于上述训练的神经网络,可以是分割网络或者识别网络,或者两者兼而有之。容易理解的是,对于分割网络,可以对中期图进行分割,输入得到染色体分割结果,针对于这些染色体分割结果,可以得到图像清晰度、染色体条数等等特征;而对于识别网络,则可以根据输入的染色体图像,对染色体的类型进行识别,例如,染色体具体是1号、2号或者其他类型染色体,而根据分割结果和识别结果,可以对染色体条数、图像清晰度、染色体分散度、染色体平均长度以及同源染色体对数等特征进行获取。
相应的,对于上述分割网络或识别网络的训练,是基于已经标注的样本进行训练的,其具体的训练过程此处不做赘述。
在输出各个特征后,根据输出的各个特征对每一张染色体中期图像进行评分,而染色体中期图像的评分方式可以为,对各个特征逐个进行评分,再对各个特征的分数进行加权,从而得到染色体中期图像的分数。其评分方式还可以设置一个阈值,统计处于阈值范围内的特征个数,当处于阈值范围内的特征个数越多时,其对应的染色体中期图像的分数也越高。或者,也可以是对各个特征进行单独评分,将染色体中期图像与各个特征的评分进行关联,以满足不同用户对染色体中期图像的筛选习惯。
该图像评分方法利用训练的神经网络提取各张染色体中期图像中的各个特征,不仅保证了评分依据的客观性,提升了评分准确性,还可以从多个特征的角度进行评分,有助于满足不同用户的中期图挑选习惯,便于用户从中选取符合要求的中期图像。
可选地,所述多个图像特征包括染色体条数、图像清晰度、染色体分散度、染色体平均长度以及同源染色体对数。
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,上述指定条件可以是指: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的清晰度。
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。
可选地,所述神经网络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所述染色体分割结果,所述染色体分割结果用于统计计算得到所述染色体条数、所述染色体分散度与所述图像清晰度;
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,所述识别网络用于输出分割结果对应的染色体识别结果,所述染色体识别结果用于统计得到所述染色体平均长度以及所述同源染色体对数。
容易理解的是,对于分割网络的第一输出端,可以直接对分割结果进行输出,根据这些输出结果进一步得到染色体条数、染色体分散度和图像清晰度这些图像特征,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,直接连接至识别网络。识别网络的输出类别可以有M个,具体类别数目可以根据实际需要进行调整,例如,对于人类染色体中期图识别的应用中,M可以是24,分别对应1-22号染色体以及X与Y性染色体;换而言之,识别网络主要用于对输入的任意一条染色体进行识别,输出该条染色体对应的一个类别值,类别值的范围为1号~M号。
当然,当应用于其他生物染色体检测时,M的数量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以及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,所述分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分,包括:
对所述每张染色体中期图像进行评分,得到每张中期图像对应的评分值,图像评分值由两个序列号构成,这两个序列号分别为第一序列号和第二序列号。对染色体中期图像质量排序时,优先考虑第一序列号,在第一序列号相同时,再考虑第二序列号。
容易理解的是,每一个数值序列号是由染色体中期图像的多个图像特征进行编码得到,其中第一序列号是用户优先考虑的特征组合,第二序列号是在相同的第一序列号时,图像排序按照第二序列号进行排列。由于每个序列号是图像特征量化编码后的数值,那么序列号数值的大小代表了中期图像的优劣,也代表了用户的筛选习惯偏好。
可选地,所述对所述染色体中期图像进行评分,得到评分值之后,所述方法还包括:
根据所述染色体中期图像对应的多个图像特征,确定所述染色体中期图像的图像等级;
下面举例对上述图像级别进行说明,如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。关于第一序列号的编码方式可以是,首先按照染色体中期图像的不同图像特征设定等级分类逻辑条件规则,然后将满足设定的逻辑条件规则的图像特征进行编码得到评分数值。具体编码的图像特征可以按照用户习惯进行组合。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第一序列号的前面,在染色体分散度的后面可以放置用户在观察染色体分散度后,习惯观察的其他特征,如染色体平均长度或同源染色体对数等。
具体地,在一个举例,可以如图2所示的流程进行评级,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级中且该图像的标志位为0,若否则将该图像归为-1级中且该图像的标志位为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级且该图像的标志位为1,若否,则将该图像归为0级且该图像的标志位为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级且该图像的标志位为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级且该图像的标志位为2,若否,则将该图像归为0级且该图像的标志位为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第一序列号进行编码,丰富了第一序列号的编码方式,并增强了第一序列号的编码灵活性,提高了用户使用性。
可选地,每个评分序列号的数值位由标志位和属性位构成,每个评分序列号的数值位长度相等,并且标志位相同,每个评分序列号的每个属性位与所述多个图像特征一一对应
上述标志位可以理解为对位于同一等级内的不同染色体中期图像的进一步分类,即根据用户最先观察的图像特征进行分类,下面结合本实施例进行详细说明。
如图3所示,在一个举例中,第一序列号由1个标志位和3个属性位组成,标志位可以是0、1、2、3、4,每一个属性位分别对应一个图像特征值。
容易理解的是,第一序列号的标志位是由图像特征按照设定的逻辑条件规则确定的,标志位也反映了用户期望查看的中期图的优先级,标志位越大,表示用户越期望优先查看分析。在满足相同标志位的中期图里,为了进一步细化中期图的质量排序,用户可以将重点关注的图像特征编码到属性位上,其中编码顺序决定了最后相同标志位的中期图的排序。例如,在一个举例中,用户首先关心图像分散度,其次关心图像长度,最后是图像清晰度,那么第一序列号的三个属性位也正好可以编码这三种特征,编码顺序可以按分散度在第一属性位,长度在第二属性位,清晰度在第三属性位。
其中,在对图像级别和图像特征值进行编码获得染色体中期图像的第一序列号之后。如果存在第一序列号相同的中期图时,用户还可以对编码第一序列号之余的其他图像特征进行再次编码生成染色体中期图像的第二序列号,且第二序列号的标志位和所述第一序列号的标志位相同。
如图4所示,在一个举例中,第一序列号与第二序列号可以同时与染色体中期图像进行关联,即第一序列号与第二序列号的标志位相同,但是第一序列号的属性位所对应的特征与第二序列号的属性位所对应的特征不同。
假设第一序列号上的属性位对应的图像特征包括染色体条数、图像清晰度和染色体分散度,第二序列号则只包括染色体平均长度和同源染色体对数。由于第二序列号中包含的图像特征都是第一序列号中没有涉及的图像特征,所以,在多张染色体中期图像各自对应的第一序列号相等时,可以比对两张染色体中期图像相对应的第二序列号,也就是第二序列号所包含的图像特征值,从而得到一个关于该染色体中期图像更为精确的分数值,以便于区分这些染色体中期图像。
需要说明的是各属性位需要编码哪种图像特征可根据用户自身的使用习惯来确定,在此不做具体的限定。在本实施例中,第一序列号和第二序列号的数值类型为双精度浮点型数,一方面可以最大化编码图像特征数,另一方面也保持了每个序列号的数值精确度,便于用户将不同的染色体中期图像进行对比。
可选地,染色体中期图像等级和每张中期图评分序列号的标志位是根据用户习惯和多个图像特征的逻辑条件规则进行编码确定。
如此,上述图像质量等级和图像评分的第一序列号和第二序列号,可以根据染色体中期图像的多个图像特征设定灵活的逻辑条件规则,并结合用户的期望筛选习惯来获取。在实际业务使用中,用户可以先按中期图像质量等级粗筛,再按中期图评分的第一序列号和第二序列号数值进行细筛,从而可以加快对染色体中期图像的筛选进程。所述的逻辑条件规则也是依据用户重点关注的图像特征值大小而设计的规则流程。并且,特征值大小也需要满足所述阈值条件。
如图5所示,本发明实施例还提供了一种图像评分装置,包括:
获取模块301,用于获取染色体中期图像;
图像特征提取模块302,用于将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
评分模块303,用于根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分。
可选地,所述图像特征提取模块302包括:
图像特征输出单元,用于输出染色体条数、图像清晰度、染色体分散度、染色体平均长度以及同源染色体对数。
可选地,所述图像特征提取模块302还包括:
神经网络单元包括分割网络子单元和识别网络子单元,所述分割网络子单元的输入端用于接收所述染色体中期图像,所述分割网络子单元的第一输出端用于输出所述染色体条数、染色体分散度、和图像清晰度;
所述分割网络子单元的第二输出端连接至所述识别网络子单元的输入端,所述识别网络子单元的输出端分别用于输出所述染色体平均长度以及所述同源染色体对数。
可选地,所述评分模块303包括:
评分单元,对所述染色体中期图像进行评分,得到所述每张中期图像对应的评分值,所述图像评分值是由两个序列号组成,所述两个序列号分别为第一序列号和第二序列号,对所述染色体中期图像质量排序时,优先考虑第一序列号,在第一序列号相同时,再考虑第二序列号。
可选地,所述评分单元包括:
级别确定子单元,根据所述染色体中期图像对应的多个图像特征,确定所述染色体中期图像的图像等级。
可选地,所述评分单元包括:
评分序列号子单元,每个评分序列号的数值位由标志位和属性位构成,每个评分序列号的数值位长度相等,并且标志位相同,每个评分序列号的每个属性位与多个图像特征一一对应。
可选地,染色体中期图像等级和每张中期图评分序列号的标志位是根据用户习惯和多个图像特征的逻辑条件规则进行编码确定。
需要说明的是,该图像评分装置是与上述图像评分方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,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图像评分方法。
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图像评分方法。
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 (9)
1.一种染色体中期图像评分方法,其特征在于,包括:
获取N张染色体中期图像,所述N为大于1的整数;
分别将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分;
所述分别根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分,包括:
对所述染色体中期图像进行评分,得到每张中期图像对应的评分值,所述图像评分值是由两个序列号依次排列组成,所述两个序列号分别为第一序列号和第二序列号,对所述染色体中期图像质量排序时,优先考虑第一序列号,在第一序列号相同时,再考虑第二序列号,第一序列号是用户优先考虑的特征组合,第二序列号是在相同的第一序列号时,图像排序按照第二序列号进行排列。
2.根据权利要求1所述的方法,其特征在于,所述多个图像特征包括染色体条数、图像清晰度、染色体分散度、染色体平均长度以及同源染色体对数。
3.根据权利要求2所述的方法,其特征在于,所述神经网络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染色体分割结果,所述染色体分割结果用于统计计算得到所述染色体条数、所述染色体分散度与所述图像清晰度;
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,所述识别网络的输出端分别用于输出分割结果对应的染色体识别结果,所述染色体识别结果用于统计得到所述染色体平均长度以及所述同源染色体对数。
4.根据权利要求3所述的方法,其特征在于,所述对所述染色体中期图像进行评分,得到多个评分值之后,所述方法还包括:
根据所述染色体中期图像对应的多个图像特征,确定所述染色体中期图像的图像等级。
5.根据权利要求3所述的方法,其特征在于,每个评分序列号的数值位由标志位和属性位构成,所述每个评分序列号的数值位长度相等,并且标志位相同,所述每个评分序列号的每个属性位与所述多个图像特征一一对应。
6.根据权利要求5所述的方法,其特征在于,所述染色体中期图像等级和每张中期图评分序列号的标志位是根据用户习惯和所述多个图像特征的逻辑条件规则进行编码确定,所述用户习惯包括中期图像质量等级以及中期图评分的第一序列号数值和第二序列号数值,所述逻辑条件规则包括依据用户重点关注的图像特征值大小而设计的规则流程。
7.一种染色体中期图像评分装置,其特征在于,包括:
获取模块,用于获取染色体中期图像;
图像特征提取模块,用于将每一所述染色体中期图像输入到训练的神经网络,得到每一所述染色体中期图像对应的多个图像特征;
评分模块,用于根据每一所述染色体中期图像对应的多个图像特征,对每一所述染色体中期图像进行评分;
所述评分模块,具体用于对所述染色体中期图像进行评分,得到每张中期图像对应的评分值,所述图像评分值是由两个序列号依次排列组成,所述两个序列号分别为第一序列号和第二序列号,对所述染色体中期图像质量排序时,优先考虑第一序列号,在第一序列号相同时,再考虑第二序列号,第一序列号是用户优先考虑的特征组合,第二序列号是在相同的第一序列号时,图像排序按照第二序列号进行排列。
8.一种电子设备,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6任一项所述的方法。
9.一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 |
---|---|---|---|
CN202110057995.5A CN112785566B (zh) | 2021-01-15 | 2021-01-15 | 染色体中期图像评分方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057995.5A CN112785566B (zh) | 2021-01-15 | 2021-01-15 | 染色体中期图像评分方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785566A CN112785566A (zh) | 2021-05-11 |
CN112785566B true CN112785566B (zh) | 2024-01-19 |
Family
ID=75756625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110057995.5A Active CN112785566B (zh) | 2021-01-15 | 2021-01-15 | 染色体中期图像评分方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785566B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470028A (zh) * | 2021-09-03 | 2021-10-01 | 深圳市瑞图生物技术有限公司 | 染色体核型图像质量评估方法、染色体分析仪和存储介质 |
CN114240883B (zh) * | 2021-12-16 | 2022-06-07 | 易构智能科技(广州)有限公司 | 一种染色体图像处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325711A (zh) * | 2020-01-16 | 2020-06-23 | 杭州德适生物科技有限公司 | 一种基于深度学习的染色体分裂相图像质量评价方法 |
CN111626974A (zh) * | 2019-02-28 | 2020-09-04 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
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 |
CN112037185A (zh) * | 2020-08-21 | 2020-12-04 | 湖南自兴智慧医疗科技有限公司 | 染色体分裂相图像筛选方法、装置及终端设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410108B2 (en) * | 2016-08-08 | 2019-09-10 | EyeEm Mobile GmbH | Systems, methods, and computer program products for searching and sorting images by aesthetic quality personalized to users or segments |
EP3432198B1 (en) * | 2017-07-19 | 2024-04-17 | Tata Consultancy Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
US20190080795A1 (en) * | 2017-09-14 | 2019-03-14 | Foram Mahendra Sanghavi | Digitized needle biopsies nuclei information based prostate cancer detection, grading, scoring, and reporting systems and methods |
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 |
-
2021
- 2021-01-15 CN CN202110057995.5A patent/CN112785566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626974A (zh) * | 2019-02-28 | 2020-09-04 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN111325711A (zh) * | 2020-01-16 | 2020-06-23 | 杭州德适生物科技有限公司 | 一种基于深度学习的染色体分裂相图像质量评价方法 |
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 |
CN112037185A (zh) * | 2020-08-21 | 2020-12-04 | 湖南自兴智慧医疗科技有限公司 | 染色体分裂相图像筛选方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
AS-PANet:改进路径增强网络的重叠染色体实例分割;林成创;赵淦森;尹爱华;丁笔超;郭莉;陈汉彪;;中国图象图形学报(10);325-334 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785566A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674881B (zh) | 商标图像检索模型训练方法、系统、存储介质及计算机设备 | |
CN112785566B (zh) | 染色体中期图像评分方法、装置、电子设备及存储介质 | |
US20200387543A1 (en) | Trademark inquiry result proximity evaluating and sorting method and device | |
CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
CN111768457B (zh) | 图像数据压缩方法、装置、电子设备和存储介质 | |
CN105183831A (zh) | 一种针对不同学科题目文本分类的方法 | |
CN106033443B (zh) | 一种车辆检索中的扩展查询方法及装置 | |
CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
CN112711983A (zh) | 核型分析系统、方法、电子设备及可读存储介质 | |
CN110909040B (zh) | 一种业务投放辅助方法、装置及电子设备 | |
JP2002074268A (ja) | 文字認識システム | |
CN115795361A (zh) | 一种基于特征选择和模型组合优化的分类方法 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN108073567B (zh) | 一种特征词提取处理方法、系统及服务器 | |
CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
CN112529112B (zh) | 一种矿物识别的方法和装置 | |
CN111831819A (zh) | 一种文本更新方法及装置 | |
CN111414930A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
Vertan et al. | Reusing the Otsu threshold beyond segmentation | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN106933847B (zh) | 一种建立数据分类模型的方法和装置 | |
CN107844553B (zh) | 一种文本分类方法及装置 | |
KR20200057664A (ko) | 신경망 기반의 유전자 선택 알고리즘을 이용한 유전자 발현 마커 선별 방법 | |
RU2007141666A (ru) | Способ сбора, обработки и каталогизации целевой информации из неструктурированных источников | |
CN112667709B (zh) | 基于Spark的校园卡租借行为检测方法及系统 |
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 |