CN113096143B - 一种染色体核型分析中染色体分割方法 - Google Patents
一种染色体核型分析中染色体分割方法 Download PDFInfo
- Publication number
- CN113096143B CN113096143B CN202110480689.2A CN202110480689A CN113096143B CN 113096143 B CN113096143 B CN 113096143B CN 202110480689 A CN202110480689 A CN 202110480689A CN 113096143 B CN113096143 B CN 113096143B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- image
- overlapped
- chromosomes
- mask image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种染色体核型分析中染色体分割方法:采用高倍镜图像和高倍镜图像的掩膜图像对搭建的染色体初级分割网络进行训练,得到染色体初级分割模型;对搭建的二级重叠染色体分割网络进行训练,得到二级重叠染色体分割模型;用染色体初级分割模型对高倍镜图像进行初级分割,并提取染色体掩膜图像;使用二级重叠染色体分割模型对包含重叠染色体的高倍镜区域图像中的重叠染色体进行二级分割,得到只包含重叠染色体中的单条染色体的掩膜图像,即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果;获取高倍镜图像中染色体的最终分割结果。本发明大幅度提高了单条染色体分割的准确率。本发明由于不需要人工辅助,节省了人力和时间。
Description
技术领域
本发明涉及一种染色体分割方法。特别是涉及一种高倍镜图像的染色体核型分析中染色体分割方法。
背景技术
染色体主要由DNA和蛋白质组成,具有存储和传递遗传信息的作用,染色体核型是指一个细胞中的全部染色体按其大小和形状特征顺序排列所构成的图像。人类染色体的分析与识别是染色体遗传分析技术的经典方法,是遗传学科学研究和辅助临床诊断的重要手段之一。人类染色体的自动分割一直是染色体分析与识别的一个难题,由于染色体的柔软性和样本的离散性,染色体的样本中往往存在着各种重叠和粘连现象,使染色体分割变的困难。染色体图像分割是染色体图像分析的基础,分割的好坏直接影响到后续的分析和其他处理阶段,染色体分割结果不好,将影响染色体分析与识别的准确性。目前市场上的各种染色体处理系统均未提供染色体的完全自动分割,而采用了人机交互的方式,对操作人员素质要求较高,且费时费力,分析效率较低,无法满足科学研究以及疾病诊断的需求。
从高倍镜图像中提取单条染色体是染色体核型分析的工作的重要内容,单染色体分割不准确将严重影响染色体分析准确性,现有的医学图像分割方法分割染色体准确性不高,且需要人工辅助分割重叠、粘连的染色体。
发明内容
本发明所要解决的技术问题是,提供一种能够大幅度提高单条染色体分割准确率的染色体核型分析中染色体分割方法。
本发明所采用的技术方案是:一种染色体核型分析中染色体分割方法,是使用级联的深度学习模型,实现从高倍镜图像中自动提取单条染色体,具体包括如下步骤:
1)采用高倍镜图像和高倍镜图像的掩膜图像对搭建的染色体初级分割网络进行训练,得到染色体初级分割模型;
2)用包含重叠染色体的高倍镜区域图像,只包含重叠染色体中的单条染色体的掩膜图像及只包含重叠染色体中的单条染色体的局部的掩膜图像对搭建的二级重叠染色体分割网络进行训练,得到二级重叠染色体分割模型;
3)用染色体初级分割模型对高倍镜图像进行初级分割,从初级分割结果中提取染色体掩膜图像;
4)从染色体掩膜图像和高倍镜图像中获取单条染色体的轮廓集、重叠染色体的掩膜图像和包含重叠染色体的高倍镜区域图像,使用二级重叠染色体分割模型对包含重叠染色体的高倍镜区域图像中的重叠染色体进行二级分割,得到只包含重叠染色体中的单条染色体的掩膜图像,即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果;
5)获取高倍镜图像中染色体的最终分割结果。
本发明的一种染色体核型分析中染色体分割方法,使用了人工智能的方法代替了传统的单染色体分割方法,实现对高倍镜图像中单条染色体的自动分割提取,这种方法不需要人工辅助,提取过程更加快捷,效率较高。使用初级分割网络先简单的完成单条染色体的提取,之后定位初级分割网络分割结果中的重叠染色体区域,提取重叠染色体,再使用二级重叠染色体分割网络实现对复杂情况下的染色体重叠区域中单条染色体的提取。这种级联的方法分割重叠、粘连的染色体效果更优越,大幅度提高了单条染色体分割的准确率。本发明由于不需要人工辅助,节省了人力和时间。
附图说明
图1是本发明的一种染色体核型分析中染色体分割方法的流程图;
图2是本发明中使用的高倍镜图像;
图3是本发明中高倍镜图像的掩膜图像;
图4是本发明中获取染色体初级分割模型流程图;
图5a是本发明中包含重叠染色体的高倍镜区域图像;
图5b是本发明中只包含重叠染色体中的单条染色体的掩膜图像;
图5c是本发明中只包含重叠染色体中的单条染色体的局部的掩膜图像;
图6是本发明中获取二级重叠染色体分割模型流程图;
图7是本发明中初级分割模型分割高倍镜图像的流程图;
图8是本发明中初级分割网络预测出的染色体掩膜图像;
图9是本发明中二级重叠染色体分割网络分割重叠染色体流程图。
具体实施方式
下面结合实施例和附图对本发明的基于丝杠和直线导轨的竖直方向波浪浮标检测装置及方法做出详细说明。显然,所描述的实施例仅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。
如图1所示,本发明的一种染色体核型分析中染色体分割方法,是使用级联的深度学习模型,实现从高倍镜图像中自动提取单条染色体,具体包括如下步骤:
1)采用图2所示的高倍镜图像和图3所示的高倍镜图像的掩膜图像对搭建的染色体初级分割网络进行训练,得到染色体初级分割模型;如图4所示,包括:
(1.1)人工标注高倍镜图像中染色体的轮廓;
(1.2)生成与高倍镜图像大小相同的通道数为3的全黑图像,根据人工标注的染色体轮廓信息,将高倍镜图像中的染色体区域在全黑图像上涂成红色,染色体边缘涂成绿色,染色体之间的重叠区域涂成蓝色,涂色后的图像为高倍镜图像的掩膜图像;
(1.3)搭建用于进行染色体初级分割的染色体初级分割网络,所述的染色体初级分割网络是U-Net,或是FCN,或是SegNet,将U-Net,或是FCN,或是SegNet神经网络的输出修改为4个通道,第一通道代表背景层,第二通道代表染色体区域的层,第三通道代表染色体边缘的层,第四通道代表染色体重叠区域的层,从而形成染色体初级分割网络;
(1.4)对第(1.2)步得到的高倍镜图像的掩膜图像进行处理,将掩膜图像的每个通道中所有大于0的值置为1,将红色通道作为染色体区域的层,将绿色通道作为染色体边缘的层,将蓝色通道作为染色体重叠区域的层,在红色通道前添加一个值全为0的通道作为背景层,将背景层中与其它3层中值为0的点的相对应点的值置为1;
(1.5)将高倍镜图像作为样本输入所述的染色体初级分割网络,网络训练时使用的目标掩膜图像为处理后的高倍镜图像的掩膜图像,对染色体初级分割网络进行训练得到染色体初级分割模型。
2)用如图5a所示的包含重叠染色体的高倍镜区域图像,如图5b所示的只包含重叠染色体中的单条染色体的掩膜图像及如图5c所示的只包含重叠染色体中的单条染色体的局部的掩膜图像对搭建的二级重叠染色体分割网络进行训练,得到二级重叠染色体分割模型;如图6所示,包括:
(2.1)人工标注高倍镜图像中染色体的轮廓;
(2.2)获取包含重叠染色体的高倍镜区域图像,获取只包含重叠染色体中的单条染色体的掩膜图像,获取只包含重叠染色体中的单条染色体的局部的掩膜图像;包括:
(2.2.1)根据人工标注的染色体轮廓信息在高倍镜图像中定位重叠染色体;
(2.2.2)在高倍镜图像中截取包含重叠染色体的大小为512*512的图像,重叠染色体要位于截取的图像的中间,截取的图像即为包含重叠染色体的高倍镜区域图像,记录在高倍镜图像中截取包含重叠染色体的高倍镜区域图像的截取位置;
(2.2.3)依次选取重叠染色体中的一个单条染色体作为目标染色体,生成大小与高倍镜图像相同的全黑掩膜图像,将所选取的目标染色体在全黑掩膜图像的相应位置标注成白色,然后在掩膜图像中截取出大小为512*512的图像,截取位置与第(2.2.2)步中记录的截取位置相同,截取出的图像即为只包含重叠染色体中的单条染色体的掩膜图像;
(2.2.4)对得到的只包含重叠染色体中的单条染色体的掩膜图像进行图像骨架提取,得到单条染色体的细化图像,对细化图像中灰值非0的像素点进行遍历,找出所有为端点的像素点,并得到每一个端点坐标;
(2.2.5)遍历得到的每一个端点坐标,生成大小为512*512的全黑图像,以正在遍历的端点坐标为圆心,以15~30范围内的随机整数为半径,在全黑图像上画白色的圆得到圆图像,将圆图像与所述的只包含重叠染色体中的单条染色体的掩膜图像进行与运算得到只包含重叠染色体中的单条染色体的局部的掩膜图像;
(2.2.6)第(2.2.5)步遍历完成后得到重叠染色体中的单条染色体的多个只包含重叠染色体中的单条染色体的局部的掩膜图像,然后回到第(2.2.3)步继续选取目标染色体,直到从重叠染色体中选取出所有的单条染色体。
(2.3)搭建用于二级重叠染色体分割的二级重叠染色体分割网络,所述的二级重叠染色体分割网络,是U-Net,或是SegNet,或是FCN;将U-Net,或是SegNet,或是FCN神经网络的输入修改为两个通道,第一通道为包含重叠染色体的高倍镜区域图像,第二通道为只包含重叠染色体中的单条染色体的局部的掩膜图像,从而形成二级重叠染色体分割网络;
(2.4)将包含重叠染色体的高倍镜区域图像作为第一通道、只包含重叠染色体中的单条染色体的局部的掩膜图像作为第二通道组合在一起形成一个组合图像,将组合图像的第二通道中等于255的值置为1,将组合图像输入二级重叠染色体分割网络,对二级重叠染色体分割网络进行训练,网络训练时使用的目标掩膜图像为只包含重叠染色体中的单条染色体的掩膜图像,训练后得到二级重叠染色体分割模型。
3)用染色体初级分割模型对高倍镜图像进行初级分割,从初级分割结果中提取染色体掩膜图像;如图7所示,包括:
(2.1)将高倍镜图像输入所述的染色体初级分割模型,获取初级分割结果;
(2.2)删除初级分割结果中的背景层,剩余的3层中所有大于等于0.5的值置为255,所有小于0.5的值置为0,得到染色体区域为红色、染色体边缘为绿色、染色体重叠区域为蓝色、背景为黑色的染色体掩膜图像,如图8所示。
4)从染色体掩膜图像和高倍镜图像中获取单条染色体的轮廓集、重叠染色体的掩膜图像和包含重叠染色体的高倍镜区域图像,使用二级重叠染色体分割模型对包含重叠染色体的高倍镜区域图像中的重叠染色体进行二级分割,得到只包含重叠染色体中的单条染色体的掩膜图像,即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果;如图9所示,包括:
(4.1)从步骤3)得到的染色体掩膜图像和高倍镜图像中,获取单条染色体的轮廓集,获取每个重叠染色体的:包含重叠染色体的高倍镜区域图像、重叠染色体的掩膜图像及重叠染色体的掩膜图像的截取位置、多个只包含重叠染色体中的单条染色体的局部的掩膜图像;包括:
(4.1.1)将步骤3)得到的染色体掩膜图像中绿色染色体边缘改为黑色,将染色体掩膜图像中的红色通道与蓝色通道做或运算,得到染色体掩膜图像的二值图,创建单条染色体轮廓集;
(4.1.2)遍历染色体掩膜图像的二值图中的连通区域;
(4.1.3)复制染色体掩膜图像的二值图,将正在遍历的连通区域以外的其它连通区域删除得到只包含一个连通区域的二值图,将只包含一个连通区域的二值图与染色体掩膜图像中的蓝色通道做与运算得到一个与运算结果图,若与运算结果图中所有像素点灰度值均为0,则获取正在遍历的连通区域的轮廓,并将轮廓添加进单条染色体轮廓集,然后回到第(4.1.2)步继续遍历,若与运算结果图中有像素点灰度值不为0,继续下一步;
(4.1.4)复制染色体掩膜图像,将复制的染色体掩膜图像的蓝色通道和红色通道分别与第(4.1.3)步的只包含一个连通区域的二值图做与运算,得到只包含一个重叠染色体的掩膜图像,从只包含一个重叠染色体的掩膜图像中截取出大小为512*512、包含重叠染色体的掩膜的图像,且重叠染色体的掩膜位于截取出的图像的中间,此截取出的图像即为包含重叠染色体的掩膜图像,记录在只包含一个重叠染色体的掩膜图像中截取包含重叠染色体的掩膜图像的截取位置;
(4.1.5)在高倍镜图像上截取出大小为512*512的图像,截取位置与第(4.1.4)步记录的截取位置相同,截取出的图像即为包含重叠染色体的高倍镜区域图像;
(4.1.6)对包含重叠染色体的掩膜图像进行通道分离,红色通道图像为重叠染色体的非重叠区域图像,蓝色通道图像为重叠染色体的重叠区域图像,对重叠染色体的非重叠区域图像进行图像骨架提取,得到细化图像,对细化图像中灰度值非0的像素点进行遍历,找出为端点的像素点,并得到每一个端点坐标;
(4.1.7)遍历得到的每一个端点坐标,生成大小为512*512的全黑图像,以正在遍历的端点坐标为圆心,以15~30范围内的随机整数为半径在全黑图像上画白色的圆得到圆图像,将圆图像与第(4.1.6)步得到的重叠染色体的非重叠区域图像进行与运算得到只包含重叠染色体中的单条染色体的局部的掩膜图像,遍历完成后得到一个重叠染色体的多个只包含重叠染色体中的单条染色体的局部的掩膜图像;
(4.1.8)当第(4.1.7)完成后回到第(4.1.2)步继续遍历染色体掩膜图像的二值图中的连通区域,遍历完成后得到染色体掩膜图像中单条染色体的轮廓集,得到每个重叠染色体的:包含重叠染色体的高倍镜区域图像、重叠染色体的掩膜图像及重叠染色体的掩膜图像的截取位置、多个只包含重叠染色体中的单条染色体的局部的掩膜图像。
(4.2)依次将多个将只包含重叠染色体中的单条染色体的局部的掩膜图像中的一个与包含重叠染色体的高倍镜区域图像组合,得到多个组合图像,组合时包含重叠染色体的高倍镜区域图像作为第一通道、只包含重叠染色体中的单条染色体的局部的掩膜图像作为第二通道,将多个组合图像输入所述的二级重叠染色体分割模型,预测出多个只包含重叠染色体中的单条染色体的掩膜图像;
(4.3)对第(4.1)步得到的重叠染色体的掩膜图像进行通道分离,得到的红色通道图像为重叠染色体的非重叠区域图像,蓝色通道图像为重叠染色体的重叠区域图像;
(4.4)将重叠染色体的非重叠区域图像与重叠染色体的重叠区域图像做或运算得到重叠染色体的掩膜图像的二值图,将预测出的多个只包含重叠染色体中的单条染色体的掩膜图像分别与重叠染色体的掩膜图像的二值图进行与运算,用以删除只包含重叠染色体中的单条染色体的掩膜图像中模型预测出的多余区域;
(4.5)将重叠染色体的重叠区域图像进行取反处理,创建单条染色体集和重复的单条染色体集;
(4.6)遍历只包含重叠染色体中的单条染色体的掩膜图像,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像与取反后的重叠染色体的重叠区域图像进行与运算得到第一个重叠染色体中单条染色体的非重叠区域掩膜图像,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像加入重复的单条染色体集;
(4.7)依次从当前正在遍历的只包含重叠染色体中的单条染色体的掩膜图像之外的其它的只包含重叠染色体中的单条染色体的掩膜图像中选取一张,将选取的只包含重叠染色体中的单条染色体的掩膜图像与取反后的重叠染色体的重叠区域图像进行与运算得到第二个重叠染色体中单条染色体的非重叠区域掩膜图像,将第一个重叠染色体中单条染色体的非重叠区域掩膜图像与第二个重叠染色体中单条染色体的非重叠区域掩膜图像做与运算得到结果图,分别计算结果图与第一个重叠染色体中单条染色体的非重叠区域掩膜图像、第二个重叠染色体中单条染色体的非重叠区域掩膜图像的灰度值非0的像素点个数的比值,若两个比值同时大于一设定值,则将选取的只包含重叠染色体中的单条染色体的掩膜图像加入重复的单条染色体集,否则不加入;
(4.8)当第(4.7)步将除正在遍历的只包含重叠染色体中的单条染色体的掩膜图像之外的其它的只包含重叠染色体中的单条染色体的掩膜图像都选取一遍后,查看重复的单条染色体集中只包含重叠染色体中的单条染色体的掩膜图像的个数;若只有一个,则将重复的单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像取出放入单条染色体集;若有一个以上,则取出灰度值非0的像素点个数最多的只包含重叠染色体中的单条染色体的掩膜图像,如果取出的只包含重叠染色体中的单条染色体的掩膜图像不在单条染色体集中,则放入单条染色体集,清空重复的单条染色体集,如果取出的只包含重叠染色体中的单条染色体的掩膜图像在单条染色体集中,直接清空重复的单条染色体集;
(4.9)返回第(4.6)步继续遍历直至遍历完成,遍历完成后,单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果。
5)获取高倍镜图像中染色体的最终分割结果;包括:
(5.1)遍历步骤4)获得的单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像;
(5.2)生成大小与高倍镜图像大小相同的全黑图像,确定只包含重叠染色体中的单条染色体的掩膜图像中的单条染色体属于哪个重叠染色体,根据该重叠染色体确定重叠染色体的掩膜图像,从步骤4)的第(4.1)步获得的重叠染色体的掩膜图像的截取位置中找到该重叠染色体的掩膜图像的截取位置,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像复制到全黑图像的相应位置得到只包含单条染色体的掩膜图像;
(5.3)计算只包含单条染色体的掩膜图像中单条染色体的掩膜的轮廓,将轮廓添加进步骤4)的第(4.1)步获得的单条染色体的轮廓集,然后回到第(5.1)步继续遍历直至完成;
(5.4)单条染色体的轮廓集中所有的单条染色体的轮廓即为高倍镜图像中染色体的最终分割结果。
Claims (8)
1.一种染色体核型分析中染色体分割方法,其特征在于,是使用级联的深度学习模型,实现从高倍镜图像中自动提取单条染色体,具体包括如下步骤:
1)采用高倍镜图像和高倍镜图像的掩膜图像对搭建的染色体初级分割网络进行训练,得到染色体初级分割模型;
2)用包含重叠染色体的高倍镜区域图像,只包含重叠染色体中的单条染色体的掩膜图像及只包含重叠染色体中的单条染色体的局部的掩膜图像对搭建的二级重叠染色体分割网络进行训练,得到二级重叠染色体分割模型;
3)用染色体初级分割模型对高倍镜图像进行初级分割,从初级分割结果中提取染色体掩膜图像;
4)从染色体掩膜图像和高倍镜图像中获取单条染色体的轮廓集、重叠染色体的掩膜图像和包含重叠染色体的高倍镜区域图像,使用二级重叠染色体分割模型对包含重叠染色体的高倍镜区域图像中的重叠染色体进行二级分割,得到只包含重叠染色体中的单条染色体的掩膜图像,即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果;
5)获取高倍镜图像中染色体的最终分割结果。
2.根据权利要求1所述的一种染色体核型分析中染色体分割方法,其特征在于,步骤1)包括:
(1.1)人工标注高倍镜图像中染色体的轮廓;
(1.2)生成与高倍镜图像大小相同的通道数为3的全黑图像,根据人工标注的染色体轮廓信息,将高倍镜图像中的染色体区域在全黑图像上涂成红色,染色体边缘涂成绿色,染色体之间的重叠区域涂成蓝色,涂色后的图像为高倍镜图像的掩膜图像;
(1.3)搭建用于进行染色体初级分割的染色体初级分割网络,所述的染色体初级分割网络是U-Net,或是FCN,或是SegNet,将U-Net,或是FCN,或是SegNet神经网络的输出修改为4个通道,第一通道代表背景层,第二通道代表染色体区域的层,第三通道代表染色体边缘的层,第四通道代表染色体重叠区域的层,从而形成染色体初级分割网络;
(1.4)对第(1.2)步得到的高倍镜图像的掩膜图像进行处理,将掩膜图像的每个通道中所有大于0的值置为1,将红色通道作为染色体区域的层,将绿色通道作为染色体边缘的层,将蓝色通道作为染色体重叠区域的层,在红色通道前添加一个值全为0的通道作为背景层,将背景层中与其它3层中值为0的点的相对应点的值置为1;
(1.5)将高倍镜图像作为样本输入所述的染色体初级分割网络,网络训练时使用的目标掩膜图像为处理后的高倍镜图像的掩膜图像,对染色体初级分割网络进行训练得到染色体初级分割模型。
3.根据权利要求1所述的一种染色体核型分析中染色体分割方法,其特征在于,步骤2)包括:
(2.1)人工标注高倍镜图像中染色体的轮廓;
(2.2)获取包含重叠染色体的高倍镜区域图像,获取只包含重叠染色体中的单条染色体的掩膜图像,获取只包含重叠染色体中的单条染色体的局部的掩膜图像;
(2.3)搭建用于二级重叠染色体分割的二级重叠染色体分割网络,所述的二级重叠染色体分割网络,是U-Net,或是SegNet,或是FCN;将U-Net,或是SegNet,或是FCN神经网络的输入修改为两个通道,第一通道为包含重叠染色体的高倍镜区域图像,第二通道为只包含重叠染色体中的单条染色体的局部的掩膜图像,从而形成二级重叠染色体分割网络;
(2.4)将包含重叠染色体的高倍镜区域图像作为第一通道、只包含重叠染色体中的单条染色体的局部的掩膜图像作为第二通道组合在一起形成一个组合图像,将组合图像的第二通道中等于255的值置为1,将组合图像输入二级重叠染色体分割网络,对二级重叠染色体分割网络进行训练,网络训练时使用的目标掩膜图像为只包含重叠染色体中的单条染色体的掩膜图像,训练后得到二级重叠染色体分割模型。
4.根据权利要求3所述的一种染色体核型分析中染色体分割方法,其特征在于,第(2.2)步包括:
(2.2.1)根据人工标注的染色体轮廓信息在高倍镜图像中定位重叠染色体;
(2.2.2)在高倍镜图像中截取包含重叠染色体的大小为512*512的图像,重叠染色体要位于截取的图像的中间,截取的图像即为包含重叠染色体的高倍镜区域图像,记录在高倍镜图像中截取包含重叠染色体的高倍镜区域图像的截取位置;
(2.2.3)依次选取重叠染色体中的一个单条染色体作为目标染色体,生成大小与高倍镜图像相同的全黑掩膜图像,将所选取的目标染色体在全黑掩膜图像的相应位置标注成白色,然后在掩膜图像中截取出大小为512*512的图像,截取位置与第(2.2.2)步中记录的截取位置相同,截取出的图像即为只包含重叠染色体中的单条染色体的掩膜图像;
(2.2.4)对得到的只包含重叠染色体中的单条染色体的掩膜图像进行图像骨架提取,得到单条染色体的细化图像,对细化图像中灰值非0的像素点进行遍历,找出所有为端点的像素点,并得到每一个端点坐标;
(2.2.5)遍历得到的每一个端点坐标,生成大小为512*512的全黑图像,以正在遍历的端点坐标为圆心,以15~30范围内的随机整数为半径,在全黑图像上画白色的圆得到圆图像,将圆图像与所述的只包含重叠染色体中的单条染色体的掩膜图像进行与运算得到只包含重叠染色体中的单条染色体的局部的掩膜图像;
(2.2.6)第(2.2.5)步遍历完成后得到重叠染色体中的单条染色体的多个只包含重叠染色体中的单条染色体的局部的掩膜图像,然后回到第(2.2.3)步继续选取目标染色体,直到从重叠染色体中选取出所有的单条染色体。
5.根据权利要求1所述的一种染色体核型分析中染色体分割方法,其特征在于,步骤3)包括:
(2.1)将高倍镜图像输入所述的染色体初级分割模型,获取初级分割结果;
(2.2)删除初级分割结果中的背景层,剩余的3层中所有大于等于0.5的值置为255,所有小于0.5的值置为0,得到染色体区域为红色、染色体边缘为绿色、染色体重叠区域为蓝色、背景为黑色的染色体掩膜图像。
6.根据权利要求1所述的一种染色体核型分析中染色体分割方法,其特征在于,步骤4)包括:
(4.1)从步骤3)得到的染色体掩膜图像和高倍镜图像中,获取单条染色体的轮廓集,获取每个重叠染色体的:包含重叠染色体的高倍镜区域图像、重叠染色体的掩膜图像及重叠染色体的掩膜图像的截取位置、多个只包含重叠染色体中的单条染色体的局部的掩膜图像;
(4.2)依次将多个只包含重叠染色体中的单条染色体的局部的掩膜图像中的一个与包含重叠染色体的高倍镜区域图像组合,得到多个组合图像,组合时包含重叠染色体的高倍镜区域图像作为第一通道、只包含重叠染色体中的单条染色体的局部的掩膜图像作为第二通道,将多个组合图像输入所述的二级重叠染色体分割模型,预测出多个只包含重叠染色体中的单条染色体的掩膜图像;
(4.3)对第(4.1)步得到的重叠染色体的掩膜图像进行通道分离,得到的红色通道图像为重叠染色体的非重叠区域图像,蓝色通道图像为重叠染色体的重叠区域图像;
(4.4)将重叠染色体的非重叠区域图像与重叠染色体的重叠区域图像做或运算得到重叠染色体的掩膜图像的二值图,将预测出的多个只包含重叠染色体中的单条染色体的掩膜图像分别与重叠染色体的掩膜图像的二值图进行与运算,用以删除只包含重叠染色体中的单条染色体的掩膜图像中模型预测出的多余区域;
(4.5)将重叠染色体的重叠区域图像进行取反处理,创建单条染色体集和重复的单条染色体集;
(4.6)遍历只包含重叠染色体中的单条染色体的掩膜图像,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像与取反后的重叠染色体的重叠区域图像进行与运算得到第一个重叠染色体中单条染色体的非重叠区域掩膜图像,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像加入重复的单条染色体集;
(4.7)依次从当前正在遍历的只包含重叠染色体中的单条染色体的掩膜图像之外的其它的只包含重叠染色体中的单条染色体的掩膜图像中选取一张,将选取的只包含重叠染色体中的单条染色体的掩膜图像与取反后的重叠染色体的重叠区域图像进行与运算得到第二个重叠染色体中单条染色体的非重叠区域掩膜图像,将第一个重叠染色体中单条染色体的非重叠区域掩膜图像与第二个重叠染色体中单条染色体的非重叠区域掩膜图像做与运算得到结果图,分别计算结果图与第一个重叠染色体中单条染色体的非重叠区域掩膜图像、第二个重叠染色体中单条染色体的非重叠区域掩膜图像的灰度值非0的像素点个数的比值,若两个比值同时大于一设定值,则将选取的只包含重叠染色体中的单条染色体的掩膜图像加入重复的单条染色体集,否则不加入;
(4.8)当第(4.7)步将除正在遍历的只包含重叠染色体中的单条染色体的掩膜图像之外的其它的只包含重叠染色体中的单条染色体的掩膜图像都选取一遍后,查看重复的单条染色体集中只包含重叠染色体中的单条染色体的掩膜图像的个数;若只有一个,则将重复的单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像取出放入单条染色体集;若有一个以上,则取出灰度值非0的像素点个数最多的只包含重叠染色体中的单条染色体的掩膜图像,如果取出的只包含重叠染色体中的单条染色体的掩膜图像不在单条染色体集中,则放入单条染色体集,清空重复的单条染色体集,如果取出的只包含重叠染色体中的单条染色体的掩膜图像在单条染色体集中,直接清空重复的单条染色体集;
(4.9)返回第(4.6)步继续遍历直至遍历完成,遍历完成后,单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像即为包含重叠染色体的高倍镜区域图像中重叠染色体的最终分割结果。
7.根据权利要求6所述的一种染色体核型分析中染色体分割方法,其特征在于,第(4.1)步包括:
(4.1.1)将步骤2)得到的染色体掩膜图像中绿色染色体边缘改为黑色,将染色体掩膜图像中的红色通道与蓝色通道做或运算,得到染色体掩膜图像的二值图,创建单条染色体轮廓集;
(4.1.2)遍历染色体掩膜图像的二值图中的连通区域;
(4.1.3)复制染色体掩膜图像的二值图,将正在遍历的连通区域以外的其它连通区域删除得到只包含一个连通区域的二值图,将只包含一个连通区域的二值图与染色体掩膜图像中的蓝色通道做与运算得到一个与运算结果图,若与运算结果图中所有像素点灰度值均为0,则获取正在遍历的连通区域的轮廓,并将轮廓添加进单条染色体轮廓集,然后回到第(4.1.2)步继续遍历,若与运算结果图中有像素点灰度值不为0,继续下一步;
(4.1.4)复制染色体掩膜图像,将复制的染色体掩膜图像的蓝色通道和红色通道分别与第(4.1.3)步的只包含一个连通区域的二值图做与运算,得到只包含一个重叠染色体的掩膜图像,从只包含一个重叠染色体的掩膜图像中截取出大小为512*512、包含重叠染色体的掩膜的图像,且重叠染色体的掩膜位于截取出的图像的中间,此截取出的图像即为包含重叠染色体的掩膜图像,记录在只包含一个重叠染色体的掩膜图像中截取包含重叠染色体的掩膜图像的截取位置;
(4.1.5)在高倍镜图像上截取出大小为512*512的图像,截取位置与第(4.1.4)步记录的截取位置相同,截取出的图像即为包含重叠染色体的高倍镜区域图像;
(4.1.6)对包含重叠染色体的掩膜图像进行通道分离,红色通道图像为重叠染色体的非重叠区域图像,蓝色通道图像为重叠染色体的重叠区域图像,对重叠染色体的非重叠区域图像进行图像骨架提取,得到细化图像,对细化图像中灰度值非0的像素点进行遍历,找出为端点的像素点,并得到每一个端点坐标;
(4.1.7)遍历得到的每一个端点坐标,生成大小为512*512的全黑图像,以正在遍历的端点坐标为圆心,以15~30范围内的随机整数为半径在全黑图像上画白色的圆得到圆图像,将圆图像与第(4.1.6)步得到的重叠染色体的非重叠区域图像进行与运算得到只包含重叠染色体中的单条染色体的局部的掩膜图像,遍历完成后得到一个重叠染色体的多个只包含重叠染色体中的单条染色体的局部的掩膜图像;
(4.1.8)当第(4.1.7)完成后回到第(4.1.2)步继续遍历染色体掩膜图像的二值图中的连通区域,遍历完成后得到染色体掩膜图像中单条染色体的轮廓集,得到每个重叠染色体的:包含重叠染色体的高倍镜区域图像、重叠染色体的掩膜图像及重叠染色体的掩膜图像的截取位置、多个只包含重叠染色体中的单条染色体的局部的掩膜图像。
8.根据权利要求1所述的一种染色体核型分析中染色体分割方法,其特征在于,步骤5)包括:
(5.1)遍历步骤4)获得的单条染色体集中的只包含重叠染色体中的单条染色体的掩膜图像;
(5.2)生成大小与高倍镜图像大小相同的全黑图像,确定只包含重叠染色体中的单条染色体的掩膜图像中的单条染色体属于哪个重叠染色体,根据该重叠染色体确定重叠染色体的掩膜图像,从步骤4)的第(4.1)步获得的重叠染色体的掩膜图像的截取位置中找到该重叠染色体的掩膜图像的截取位置,将正在遍历的只包含重叠染色体中的单条染色体的掩膜图像复制到全黑图像的相应位置得到只包含单条染色体的掩膜图像;
(5.3)计算只包含单条染色体的掩膜图像中单条染色体的掩膜的轮廓,将轮廓添加进步骤4)的第(4.1)步获得的单条染色体的轮廓集,然后回到第(5.1)步继续遍历直至完成;
(5.4)单条染色体的轮廓集中所有的单条染色体的轮廓即为高倍镜图像中染色体的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480689.2A CN113096143B (zh) | 2021-04-30 | 2021-04-30 | 一种染色体核型分析中染色体分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480689.2A CN113096143B (zh) | 2021-04-30 | 2021-04-30 | 一种染色体核型分析中染色体分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096143A CN113096143A (zh) | 2021-07-09 |
CN113096143B true CN113096143B (zh) | 2022-03-15 |
Family
ID=76680927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480689.2A Active CN113096143B (zh) | 2021-04-30 | 2021-04-30 | 一种染色体核型分析中染色体分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096143B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115049679A (zh) * | 2022-05-05 | 2022-09-13 | 上海科莫生医疗科技有限公司 | 一种基于人工智能的染色体图像分割方法 |
CN115082474B (zh) * | 2022-08-22 | 2023-03-03 | 湖南自兴智慧医疗科技有限公司 | 一种基于同源同类染色体信息的染色体分割方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403743A (zh) * | 2008-10-31 | 2009-04-08 | 广东威创视讯科技股份有限公司 | 一种x型交叠、粘连染色体自动分割方法 |
CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
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 |
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 |
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 |
CN112037180A (zh) * | 2020-08-12 | 2020-12-04 | 湖南自兴智慧医疗科技有限公司 | 染色体分割方法及装置 |
CN112215800A (zh) * | 2020-09-14 | 2021-01-12 | 北京航空航天大学 | 基于机器学习的重叠染色体识别和分割方法 |
CN112288706A (zh) * | 2020-10-27 | 2021-01-29 | 武汉大学 | 一种自动化的染色体核型分析以及异常检测方法 |
CN112365482A (zh) * | 2020-11-16 | 2021-02-12 | 上海北昂医药科技股份有限公司 | 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法 |
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 |
-
2021
- 2021-04-30 CN CN202110480689.2A patent/CN113096143B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403743A (zh) * | 2008-10-31 | 2009-04-08 | 广东威创视讯科技股份有限公司 | 一种x型交叠、粘连染色体自动分割方法 |
CN109146838A (zh) * | 2018-06-20 | 2019-01-04 | 湖南自兴智慧医疗科技有限公司 | 一种基于几何特征与区域融合的g显带粘连染色体分割方法 |
CN110415250A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于深度学习的重叠染色体分割方法及装置 |
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 |
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 |
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 |
CN112037180A (zh) * | 2020-08-12 | 2020-12-04 | 湖南自兴智慧医疗科技有限公司 | 染色体分割方法及装置 |
CN112215800A (zh) * | 2020-09-14 | 2021-01-12 | 北京航空航天大学 | 基于机器学习的重叠染色体识别和分割方法 |
CN112288706A (zh) * | 2020-10-27 | 2021-01-29 | 武汉大学 | 一种自动化的染色体核型分析以及异常检测方法 |
CN112365482A (zh) * | 2020-11-16 | 2021-02-12 | 上海北昂医药科技股份有限公司 | 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法 |
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 |
Non-Patent Citations (3)
Title |
---|
AS-PANet:改进路径增强网络的重叠染色体实例分割;林成创;《中国图像图形学报》;20201031;论文全文 * |
基于卷积神经网络的染色体核型分析方法研究进展;邱俊玮;《研究与开发》;20210131;论文全文 * |
基于改进的Mask R-CNN的染色体图像分割框架;冯 涛;《计算机应用》;20201110;论文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113096143A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096143B (zh) | 一种染色体核型分析中染色体分割方法 | |
CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN109033998B (zh) | 基于注意力机制卷积神经网络的遥感影像地物标注方法 | |
CN110647874B (zh) | 一种端到端的血细胞识别模型构造方法及应用 | |
CN110647875B (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN110059589B (zh) | 一种基于Mask R-CNN神经网络的虹膜图像中虹膜区域的分割方法 | |
US20220309772A1 (en) | Human activity recognition fusion method and system for ecological conservation redline | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN105513105A (zh) | 基于显著图的图像背景虚化方法 | |
CN108074243A (zh) | 一种细胞定位方法以及细胞分割方法 | |
CN110400287B (zh) | 结直肠癌ihc染色图像肿瘤侵袭边缘和中心的检测系统及方法 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN111489369B (zh) | 幽门螺杆菌的定位方法、装置和电子设备 | |
CN113139977A (zh) | 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法 | |
CN112037180B (zh) | 染色体分割方法及装置 | |
CN111881743A (zh) | 一种基于语义分割的人脸特征点定位方法 | |
CN111797920A (zh) | 门控特征融合的深度网络不透水面遥感提取方法及系统 | |
CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
US12002206B2 (en) | System and method for automatically identifying mitosis in H and E stained breast cancer pathological images | |
CN113158950B (zh) | 一种重叠染色体自动分割方法 | |
CN114708229A (zh) | 一种病理切片数字图像的全层次分析系统 | |
CN110309727B (zh) | 一种建筑识别模型的建立方法、建筑识别方法和装置 | |
CN114913368B (zh) | 基于自步双向对抗学习的融合遥感图像分类方法 |
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 |