CN113158950B - 一种重叠染色体自动分割方法 - Google Patents
一种重叠染色体自动分割方法 Download PDFInfo
- Publication number
- CN113158950B CN113158950B CN202110479612.3A CN202110479612A CN113158950B CN 113158950 B CN113158950 B CN 113158950B CN 202110479612 A CN202110479612 A CN 202110479612A CN 113158950 B CN113158950 B CN 113158950B
- Authority
- CN
- China
- Prior art keywords
- image
- chromosomes
- overlapped
- chromosome
- mask
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种重叠染色体自动分割方法:对搭建的重叠染色体智能分割网络进行训练,获得重叠染色体智能分割模型:使用重叠染色体智能分割模型对重叠染色体进行分割。本发明的一种重叠染色体自动分割方法,实现了人工智能代替传统医学图像方法分割重叠染色体,大幅提高了医生分析染色体的工作效率,并且通过大量的实际数据学习,可以逐步提高分析的准确性及结果的一致性,为医生诊断提供可靠的数据支持。
Description
技术领域
本发明涉及一种重叠染色体自动分割方法。特别是涉及一种基于神经网络的重叠染色体自动分割方法。
背景技术
人类染色体的分析与识别是细胞遗传学的一个重要任务,尤其在遗传病诊断、产前检查、癌症病例研究等方面有着广泛的实际应用。由于染色体的柔软性和样本的离散性,染色体样本中往往存在着各种粘连和重叠现象。在识别过程中,容易将重叠的多条染色体看做一条,导致错误判断染色体类别,给患者的诊断带来巨大的不良影响。在对染色体图像进行分析识别前,对染色体图像进行分割,将重叠染色体分离至关重要。
正常人类细胞中应当有46条染色体,显微镜图像下的染色体粘连重叠方式不一,形态各异,然而现有的分割方法对重叠染色体的形状、灰度变化和重叠模式都有较高的要求,因此现有的分割方法分割形态各异的重叠染色体准确性不高,一些难分的样本经常需要依赖医务工作者的经验人工进行分割。
发明内容
本发明所要解决的技术问题是,提供一种能够大幅的提高工作效率,且具有较高的准确性和一致性的重叠染色体自动分割方法。
本发明所采用的技术方案是:一种重叠染色体自动分割方法,包括如下步骤:
1)对搭建的重叠染色体智能分割网络进行训练,获得重叠染色体智能分割模型,包括:
(1.1)人工标注高倍镜图像中染色体的轮廓;
(1.2)获取重叠染色体图像,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;
(1.3)搭建重叠染色体智能分割网络,对重叠染色体智能分割网络进行训练,得到重叠染色体智能分割模型;
2)使用重叠染色体智能分割模型对重叠染色体进行分割,包括:
(2.1)采集重叠染色体图像,获取重叠染色体的掩膜图像;
(2.2)获取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;
(2.3)分别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重叠染色体图像进行组合得到多个组合图像,组合时重叠染色体图像作为第一通道,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重叠染色体智能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;
(2.4)从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中获取重叠染色体图像中重叠染色体的分割结果。
本发明的一种重叠染色体自动分割方法,实现了人工智能代替传统医学图像方法分割重叠染色体,大幅提高了医生分析染色体的工作效率,并且通过大量的实际数据学习,可以逐步提高分析的准确性及结果的一致性,为医生诊断提供可靠的数据支持。
附图说明
图1是本发明一种重叠染色体自动分割方法的流程图;
图2是本发明中高倍镜图像;
图3a是本发明中重叠染色体图像;
图3b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3c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4是本发明中构建重叠染色体智能分割模型的流程图;
图5a是采集的重叠染色体图像;
图5b是重叠染色体的掩膜图像;
图6是重叠染色体智能分割模型分割重叠染色体的流程图。
具体实施方式
下面结合实施例和附图对本发明的一种重叠染色体自动分割方法做出详细说明,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,本发明的一种重叠染色体自动分割方法,包括如下步骤:
1)对搭建的重叠染色体智能分割网络进行训练,获得重叠染色体智能分割模型,包括:
(1.1)人工标注如图2所示的高倍镜图像中染色体的轮廓;
(1.2)获取重叠染色体图像,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:
(1.2.1)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;
(1.2.2)生成与高倍镜图像相同大小的全黑图像,将重叠染色体在全黑图像上涂白,将涂白后的图像与高倍镜图像做与运算得到只包含重叠染色体的图像,将只包含重叠染色体的图像的黑色背景区域修改为白色,从只包含重叠染色体的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,截取的图像即为重叠染色体图像,如图3a所示,记录在只包含重叠染色体的图像中截取重叠染色体图像的截取位置;
(1.2.3)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(1.2.2)步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,如图3b所示;
(1.2.4)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;
(1.2.5)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,如图3c所示;
(1.2.6)第(1.2.5)步遍历完所有端点坐标后返回到第(1.2.3)步,直至选取出重叠染色体中的所有单条染色体。
(1.3)搭建重叠染色体智能分割网络,对重叠染色体智能分割网络进行训练,得到重叠染色体智能分割模型;如图4所示,包括:
(1.3.1)搭建神经网络,所述的神经网络是U-Net,或是FCN,或是SegNet网络;
(1.3.2)修改神经网络的网络输入,将网络输入修改为两个通道,第一通道为重叠染色体图像,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,从而构成重叠染色体智能分割网络;
(1.3.3)将重叠染色体图像作为第一通道、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,将组合图像输入重叠染色体智能分割网络,对重叠染色体智能分割网络进行训练,训练过程中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,得到重叠染色体智能分割模型。
2)使用重叠染色体智能分割模型对重叠染色体进行分割,如图6所示,包括:
(2.1)采集如图5a所示的重叠染色体图像,获取如图5b所示的重叠染色体的掩膜图像;包括:
(2.1.1)对高倍镜图像进行二值化处理得到二值化图像,对二值化图像进行取反操作得到高倍镜图像的掩膜图像,删除高倍镜图像的掩膜图像中面积大于设定的最大面积值的白色连通区域;
(2.1.2)遍历高倍镜图像的掩膜图像中的白色连通区域,如果正在遍历的白色连通区域符合如下条件Ⅰ或条件Ⅱ或条件Ⅲ,则继续遍历,否则执行第(2.1.3)步;
条件Ⅰ:对白色连通区域进行骨架提取,提取的骨架线有2个端点;
条件Ⅱ:白色连通区域的凹点个数小于3;
条件Ⅲ:白色连通区域的面积与该白色连通区域的凸包面积比小于某一设定值;
(2.1.3)生成与高倍镜图像相同大小的全黑图像,将正在遍历的白色连通区域复制到全黑图像上得到只包含一个白色连通区域的图像,将只包含一个白色连通区域的图像与高倍镜图像进行与运算得到包含重叠染色体的图像,将包含重叠染色体的图像中的黑色背景区域修改为白色,然后从包含重叠染色体的图像中截取出大小为512*512图像,重叠染色体位于截取出的图像的中间,截取出的图像即为重叠染色体图像,记录从包含重叠染色体的图像中截取出重叠染色体图像的截取位置;
(2.1.4)从只包含一个白色连通区域的图像中截取出大小为512*512图像,截取位置为第(2.1.3)步记录的截取位置,截取出的图像为重叠染色体的掩膜图像;返回到第(2.1.2)步继续遍历直至遍历完所有的白色连通区域,得到每个重叠染色体的:重叠染色体图像和对应的重叠染色体的掩膜图像。
(2.2)获取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;包括:
(2.2.1)遍历第(2.1)步获取的重叠染色体的掩膜图像,对正在遍历的重叠染色体的掩膜图像进行图像骨架提取得到细化图像,对细化图像的灰度值非0的像素点进行遍历,找出为端点的各像素点,并得到每一个端点的坐标;
(2.2.2)遍历得到的每一个端点坐标,生成大小与重叠染色体的掩膜图像相同的全黑图像,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,将圆图像与重叠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,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。
(2.2.3)回到(2.2.1)继续遍历直至遍历完第(2.1)步获取的重叠染色体的掩膜图像。
(2.3)分别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重叠染色体图像进行组合得到多个组合图像,组合时重叠染色体图像作为第一通道,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重叠染色体智能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;
(2.4)从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中获取重叠染色体图像中重叠染色体的分割结果;包括:
(2.4.1)创建单条染色体集、重复的单条染色体集;
(2.4.2)遍历预测出的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加入重复的单条染色体集;
(2.4.3)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与选取的只包含重叠染色体中的单条染色体的掩膜图像做与运算得到结果图,分别计算结果图与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和选取的只包含重叠染色体中的单条染色体的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,则将选取的其它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;
(2.4.4)当第(2.4.3)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,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,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;
(2.4.5)返回到第(2.4.2)步继续遍历直至遍历完预测出的只包含重叠染色体中的单条染色体的掩膜图像,遍历完成后,单条染色体集中的所有只包含重叠染色体中的单条染色体的掩膜图像即为重叠染色体的最终分割结果。
Claims (6)
1.一种重叠染色体自动分割方法,其特征在于,包括如下步骤:
1)对搭建的重叠染色体智能分割网络进行训练,获得重叠染色体智能分割模型,包括:
(1.1)人工标注高倍镜图像中染色体的轮廓;
(1.2)获取重叠染色体图像,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;
(1.3)搭建重叠染色体智能分割网络,对重叠染色体智能分割网络进行训练,得到重叠染色体智能分割模型;
2)使用重叠染色体智能分割模型对重叠染色体进行分割,包括:
(2.1)采集重叠染色体图像,获取重叠染色体的掩膜图像;
(2.2)获取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;
(2.3)分别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重叠染色体图像进行组合得到多个组合图像,组合时重叠染色体图像作为第一通道,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重叠染色体智能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;
(2.4)从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中获取重叠染色体图像中重叠染色体的分割结果。
2.根据权利要求1所述的一种重叠染色体自动分割方法,其特征在于,步骤1)第(1.2)步包括:
(1.2.1)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;
(1.2.2)生成与高倍镜图像相同大小的全黑图像,将重叠染色体在全黑图像上涂白,将涂白后的图像与高倍镜图像做与运算得到只包含重叠染色体的图像,将只包含重叠染色体的图像的黑色背景区域修改为白色,从只包含重叠染色体的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,截取的图像即为重叠染色体图像,记录在只包含重叠染色体的图像中截取重叠染色体图像的截取位置;
(1.2.3)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(1.2.2)步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;
(1.2.4)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;
(1.2.5)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;
(1.2.6)第(1.2.5)步遍历完所有端点坐标后返回到第(1.2.3)步,直至选取出重叠染色体中的所有单条染色体。
3.根据权利要求1所述的一种重叠染色体自动分割方法,其特征在于,步骤1)第(1.3)步包括:
(1.3.1)搭建神经网络,所述的神经网络是U-Net,或是FCN,或是SegNet网络;
(1.3.2)修改神经网络的网络输入,将网络输入修改为两个通道,第一通道为重叠染色体图像,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,从而构成重叠染色体智能分割网络;
(1.3.3)将重叠染色体图像作为第一通道、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,将组合图像输入重叠染色体智能分割网络,对重叠染色体智能分割网络进行训练,训练过程中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,得到重叠染色体智能分割模型。
4.根据权利要求1所述的一种重叠染色体自动分割方法,其特征在于,步骤2)第(2.1)步包括:
(2.1.1)对高倍镜图像进行二值化处理得到二值化图像,对二值化图像进行取反操作得到高倍镜图像的掩膜图像,删除高倍镜图像的掩膜图像中面积大于设定的最大面积值的白色连通区域;
(2.1.2)遍历高倍镜图像的掩膜图像中的白色连通区域,如果正在遍历的白色连通区域符合如下条件Ⅰ或条件Ⅱ或条件Ⅲ,则继续遍历,否则执行第(2.1.3)步;
条件Ⅰ:对白色连通区域进行骨架提取,提取的骨架线有2个端点;
条件Ⅱ:白色连通区域的凹点个数小于3;
条件Ⅲ:白色连通区域的面积与该白色连通区域的凸包面积比小于某一设定值;
(2.1.3)生成与高倍镜图像相同大小的全黑图像,将正在遍历的白色连通区域复制到全黑图像上得到只包含一个白色连通区域的图像,将只包含一个白色连通区域的图像与高倍镜图像进行与运算得到包含重叠染色体的图像,将包含重叠染色体的图像中的黑色背景区域修改为白色,然后从包含重叠染色体的图像中截取出大小为512*512图像,重叠染色体位于截取出的图像的中间,截取出的图像即为重叠染色体图像,记录从包含重叠染色体的图像中截取出重叠染色体图像的截取位置;
(2.1.4)从只包含一个白色连通区域的图像中截取出大小为512*512图像,截取位置为第(2.1.3)步记录的截取位置,截取出的图像为重叠染色体的掩膜图像;返回到第(2.1.2)步继续遍历直至遍历完所有的白色连通区域,得到每个重叠染色体的:重叠染色体图像和对应的重叠染色体的掩膜图像。
5.根据权利要求1所述的一种重叠染色体自动分割方法,其特征在于,步骤2)第(2.2)步包括:
(2.2.1)遍历第(2.1)步获取的重叠染色体的掩膜图像,对正在遍历的重叠染色体的掩膜图像进行图像骨架提取得到细化图像,对细化图像的灰度值非0的像素点进行遍历,找出为端点的各像素点,并得到每一个端点的坐标;
(2.2.2)遍历得到的每一个端点坐标,生成大小与重叠染色体的掩膜图像相同的全黑图像,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,将圆图像与重叠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,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;
(2.2.3)回到(2.2.1)继续遍历直至遍历完第(2.1)步获取的重叠染色体的掩膜图像。
6.根据权利要求1所述的一种重叠染色体自动分割方法,其特征在于,步骤2)第(2.4)步包括:
(2.4.1)创建单条染色体集、重复的单条染色体集;
(2.4.2)遍历预测出的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加入重复的单条染色体集;
(2.4.3)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与选取的只包含重叠染色体中的单条染色体的掩膜图像做与运算得到结果图,分别计算结果图与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和选取的只包含重叠染色体中的单条染色体的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,则将选取的其它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;
(2.4.4)当第(2.4.3)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,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,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;
(2.4.5)返回到第(2.4.2)步继续遍历直至遍历完预测出的只包含重叠染色体中的单条染色体的掩膜图像,遍历完成后,单条染色体集中的所有只包含重叠染色体中的单条染色体的掩膜图像即为重叠染色体的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479612.3A CN113158950B (zh) | 2021-04-30 | 2021-04-30 | 一种重叠染色体自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479612.3A CN113158950B (zh) | 2021-04-30 | 2021-04-30 | 一种重叠染色体自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158950A CN113158950A (zh) | 2021-07-23 |
CN113158950B true CN113158950B (zh) | 2022-04-05 |
Family
ID=76872704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110479612.3A Active CN113158950B (zh) | 2021-04-30 | 2021-04-30 | 一种重叠染色体自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158950B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390312A (zh) * | 2019-07-29 | 2019-10-29 | 北京航空航天大学 | 基于卷积神经网络的染色体自动分类方法和分类器 |
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 |
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 |
CN110610757A (zh) * | 2019-09-24 | 2019-12-24 | 电子科技大学 | 基于人工智能与图形学结合的染色体图像处理方法 |
CN111311628A (zh) * | 2020-02-11 | 2020-06-19 | 张云超 | 一种全自动高性能白细胞分割方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015330734B2 (en) * | 2014-10-10 | 2021-10-28 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
-
2021
- 2021-04-30 CN CN202110479612.3A patent/CN113158950B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110390312A (zh) * | 2019-07-29 | 2019-10-29 | 北京航空航天大学 | 基于卷积神经网络的染色体自动分类方法和分类器 |
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 |
CN110610757A (zh) * | 2019-09-24 | 2019-12-24 | 电子科技大学 | 基于人工智能与图形学结合的染色体图像处理方法 |
CN111311628A (zh) * | 2020-02-11 | 2020-06-19 | 张云超 | 一种全自动高性能白细胞分割方法 |
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 |
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;《中国图象图形学报》;20201016;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;《现代计算机》;20210125;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》;20200609;论文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158950A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344874B (zh) | 一种基于深度学习的染色体自动分析方法及系统 | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112288706A (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN111461068B (zh) | 一种染色体中期图识别和分割方法 | |
CN113096143B (zh) | 一种染色体核型分析中染色体分割方法 | |
CN107563379B (zh) | 用于对自然场景图像中文本的定位方法 | |
CN110647875A (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 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN104021566A (zh) | 基于GrabCut算法的舌诊图像自动分割方法 | |
Bai et al. | Chromosome extraction based on U-Net and YOLOv3 | |
Jahani et al. | Centromere and length detection in artificially straightened highly curved human chromosomes | |
CN113158950B (zh) | 一种重叠染色体自动分割方法 | |
CN111353978B (zh) | 一种识别心脏解剖学结构的方法及装置 | |
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 | |
CN109685773B (zh) | 一种免疫细胞图像中突触位置点的确定方法 | |
CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
Schüffler et al. | Overcoming an annotation hurdle: Digitizing pen annotations from whole slide images | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN117292217A (zh) | 一种基于对抗生成网络的皮肤分型数据增广方法与系统 | |
Moradi et al. | Automatic landmark detection on chromosomes' images for feature extraction purposes | |
CN111932557B (zh) | 基于集成学习和概率图模型的图像语义分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |