CN115375682B - 一种染色体罗氏易位异常检测方法、系统及存储介质 - Google Patents
一种染色体罗氏易位异常检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115375682B CN115375682B CN202211299568.9A CN202211299568A CN115375682B CN 115375682 B CN115375682 B CN 115375682B CN 202211299568 A CN202211299568 A CN 202211299568A CN 115375682 B CN115375682 B CN 115375682B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- translocation
- arm image
- long
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V20/698—Matching; Classification
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种染色体罗氏易位异常检测方法、系统及存储介质,用于染色体疾病的早发现和诊断,本发明涉及分子诊断学技术领域;本发明通过对同一张中期图的染色体,采用图像处理技术并结合染色体先验知识对单条染色体进行裁剪,得到短臂图像和长臂图像;基于ResNet‑50染色体片段识别模型对所得短臂图像和长臂图像进行分类,定义新的类别标签,并根据新的类别标签对同属一条染色体的短臂图像和长臂图像的预测类别进行重新组合,若满足两个染色体片段短臂图像和长臂图像预测类别均属于罗氏易位检测类别,则判定该染色体为罗氏易位异常染色体,否则为正常,本发明可准确有效地实现罗氏易位染色体的异常检测。
Description
技术领域
一种染色体罗氏易位异常检测方法、系统及存储介质,用于染色体疾病的早发现和诊断,本发明涉及分子诊断学技术领域。
背景技术
一个健康的人类染色体总共有23对染色体:由22对常染色体和1对性染色体(X和Y染色体)组成,在临床中,遗传学家通常利用中期染色体来分析,染色体核型可以为医生提供特定的诊断信息,如出生缺陷、遗传障碍和癌症等,但由于染色体的结构性改变,如染色体的缺失、重复、易位或逆序等,此过程中专家手工对每一条染色体进行分割和分析诊断需要耗费大量时间,且高度依赖专家知识。
罗氏易位(Robertsonian translocation,ROB),以第一次发现该种易位方式的美国生物学家William Rees Brebner Robertson命名,是主要发生于5条近端着丝粒染色体(13、14、15、21和22号染色体)的一种染色体易位(Robertson WRB.Chromosomestudies.I.Taxonomic relationships shown in the chromosomes of Tettigidae andAcrididae.V-shaped chromosomes and their significance in Acrididae,Locustidaeand Gryllidae:chromosome and variation.J Morph 1916,27:179-331)。当两个近端着丝粒染色体在着丝粒部位或在着丝粒附近部位发生断裂后,二者的长臂在着丝粒处接合在一起,形成一条由长臂构成的衍生染色体,也称丝端融合,是染色体平衡易位的一种。两个短臂则构成一个小染色体,小染色体往往在第二次分裂时丢失。罗氏易位是一种常见的染色体结构异常,在新生儿中的发生率为1.23/1000(Nielsen J,Wohlert M.Chromosomeabnormalities found among 34910 newborn children:results from 13-yearincidence study in Arhus,Denmark.Hum Genet.1991,87:81–83)。由于染色体短臂主要包括随机重复DNA和核糖体RNA基因,而这种基因在五条染色体中都存在,所以罗氏易位虽然有染色体短臂的丢失,却不会造成致病表型。虽然表型正常,然而携带者生殖细胞在第一次减数分裂过程中,易位染色体和相应两个正常染色体配对会形成三价染色体,这种结构会导致交替、邻式和不常见的3:0三种分裂方式,只有交替可以产生正常或者平衡的配子,其他两种方式产生非平衡的配子,这种占大部分的非平衡配子也是易位携带者出现妊娠困难或者妊娠过程中反复流产的原因,甚至导致染色体拷贝数异常的13-Patau综合征等先天缺陷患儿的出生。
染色体异常检测与辅助诊断对于染色体疾病的早发现和诊断具有十分重要的作用;染色体易位是一种异常情况复杂,检测难度高的结构异常情况, 由于其随机性和多样性的存在,采用人工分析的方法需要对大量的染色体进行逐一仔细辨别,不仅会耗费大量精力和时间,而且识别也会存在很大的准确度问题;而目前针对染色体易位异常检测的研究几乎没有,用于染色体异常检测的方法主要有基于监督学习的二分类判别方法,检测能力有限,且无法做到更精准的异常类型判断。
发明内容
本发明的目的在于:为了解决现有染色体核型分析过程中,染色体易位的随机性和多样性存在,导致染色体重组的情况有很多种,采用传统模式识别的方法无法有效地建立一种相对固定的异常模版来辅助异常检测。因此本发明提出一种基于局部特征识别的染色体罗氏易位异常检测方法,将异常检测问题转换为分类问题,来进行有效的染色体异常检测。
本发明采用的技术方案如下:一种染色体罗氏易位异常检测方法,包括如下步骤:
S1、对同一张中期图的染色体,采用图像处理技术并结合染色体先验知识对单条染色体进行裁剪,得到染色体的短臂图像和长臂图像;
S2、基于ResNet-50染色体片段识别模型对步骤S1所得染色体的短臂图像和长臂图像进行分类,定义新的类别标签,并标记标签;
S3、根据步骤S2新的类别标签,对同属一条染色体的短臂图像和长臂图像的预测类别进行重新组合,若满足两条染色体片段短臂图像和长臂图像预测类别均属于罗氏易位检测类别,则判定该染色体为罗氏易位异常染色体,否则为正常。例如对于罗氏易位rob(13;14),其中,该条染色体的短臂图像预测为类别1,对应13号染色体长臂图像,该染色体的长臂图像预测为类别2,对应14号染色体长臂图像,因为罗氏易位染色体是由两条染色体长臂图像组成的,而正常的染色体都是由一条染色体短臂图像和一条染色体长臂图像组成,如果染色体短臂图像和染色体长臂图像均预测为罗氏易位检测类别时,则知它是异常染色体,即由两条染色体长臂图像组成。
所述步骤S2中,基于常染色体类别用数字1到22号表示,性染色体X用23表示,Y用24表示,定义新的类别标签如下:13号染色体长臂图像为类别1,14号染色体长臂图像为类别2,15号染色体长臂图像为类别3,21号染色体长臂图像为类别4,22号染色体长臂图像为类别5,其他类别染色体长臂图像以及所有类别的染色体短臂图像为类别6;其中,罗氏易位检测类别为1,2,3,4,5。
步骤S1所述裁剪具体方法是基于罗氏易位的形成特点,对一张中期图中的每条染色体提取骨架线,在着丝粒位置处作关于两侧临近两个像素点相连所得的局部骨架线所对应的法线,并沿着法线方向对染色体二值掩膜图画线,从而得到两个前景区域,根据新的前景连通域信息将染色体分成两个染色体片段,即染色体的短臂图像和长臂图像。
步骤S1所述二值掩膜图是指背景为黑色、前景为白色的图。
步骤S2所述ResNet-50染色体片段识别模型通过中期图批次训练染色体片段调优。
当判定该染色体为罗氏易位异常染色体时,则被标记为异常,并用不同的颜色体现。
一种染色体罗氏易位异常检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述所述的一种染色体罗氏易位异常检测方法。
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行上述所述的一种染色体罗氏易位异常检测方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明采用深度学习以及图像处理技术,对染色体中期图中的染色体进行精细化分类和异常检测,最终实现病例级别的罗氏易位异常检测。通过对更微小的染色体片段进行模式识别,建立了一种基于分类和匹配的异常检测思路,可准确有效地实现罗伯逊易位染色体的异常检测。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明工作流程框图;
图2是本发明应用例结果输出图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和出示的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
实施例1
如图1所示,一种染色体罗氏易位异常检测方法,采用深度学习以及图像处理技术,对染色体中期图中的染色体进行更精细化的分类和异常检测,最终实现病例级别的罗氏易位异常检测,具体包括如下步骤:
S1、采集染色体中期图数据,对于来自同一张中期图的染色体,采用图像处理技术并结合染色体先验知识对单条染色体按照罗氏易位的形成特点,对一张中期图中的每条染色体提取骨架线,在着丝粒位置处作关于两侧临近两个像素点相连所得的局部骨架线所对应的法线,并沿着法线方向对前景色为白,背景色为黑的染色体二值掩膜图画线,从而得到两个前景区域,根据新的前景连通域信息将染色体裁剪成两个染色体片段,即染色体的短臂图像和长臂图像;
S2、基于ResNet-50染色体片段识别模型对步骤S1所得染色体的短臂图像和长臂图像进行分类,即:基于常染色体类别用数字1到22号表示,性染色体X用23表示,Y用24表示,定义新的类别标签如下:13号染色体长臂图像为类别1,14号染色体长臂图像为类别2,15号染色体长臂图像为类别3,21号染色体长臂图像为类别4,22号染色体长臂图像为类别5,其他类别染色体长臂图像以及所有类别的染色体短臂图像为类别6;其中,罗氏易位检测类别为1,2,3,4,5;所述ResNet-50染色体片段识别模型通过中期图批次训练染色体片段调优;
S3、根据步骤S2新的类别标签,对同属一条染色体的短臂图像和长臂图像的预测类别进行重新组合,若满足两个染色体片段短臂图像和长臂图像预测类别均属于类别1,2,3,4,5,则判定该染色体为罗氏易位异常染色体,否则为正常;当判定该染色体为罗氏易位异常染色体时,则被标记为异常,并用不同的颜色体现,工作人员可根据病例中期图的异常检测检出信息判断病例异常情况,提高智能医疗诊断的高效性和准确性。例如对于罗氏易位rob(13;14),其中,该条染色体的短臂图像预测为类别1,对应13号染色体长臂图像,该染色体的长臂图像预测为类别2,对应14号染色体长臂图像,因为罗氏易位染色体是由两条染色体长臂图像组成的,而正常的染色体都是由一条染色体短臂图像和一条染色体长臂图像组成,如果染色体短臂图像和染色体长臂图像均预测为类别1,2,3,4,5时,则知它是异常染色体,即由两条染色体长臂图像组成。
实施例2
一种染色体罗氏易位异常检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述所述的一种染色体罗氏易位异常检测方法。
实施例3
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行上述所述的一种染色体罗氏易位异常检测方法。
应用例
如图2所示,本发明可用于染色体核型分析系统的罗氏易位异常检测,在核型分析阶段异常检测之前会对染色体进行去噪、分割、分类识别等工作,异常检测模块在识别模块之后使用,具体实施方法如下:1.采集整张中期图中附带预测类别信息的染色体数据;2.对每一张染色体图像采用上述的图像处理方法处理得到染色体长短臂片段图像数据;3.将整张中期图下的染色体片段数据以一个批次大小同时输入至片段识别网络进行分类;4.对于片段分类结果,根据原始染色体信息进行染色体片段“重组”,将同属于一条染色体的两个染色体片段的预测类别根据异常判断方法进行判别,若满足异常条件,则将该染色体标记为罗氏易位异常染色体。如图2所示,对来自同一张中期图的45条染色体进行罗氏异常检测,异常检测结果见右下角中期图分析统计信息栏。对于该中期图,由于rob(14;15)罗氏易位的存在,导致14号,15号染色体均缺少一条。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (7)
1.一种染色体罗氏易位异常检测方法,其特征在于,包括如下步骤:
S1、对同一张中期图的染色体,采用图像处理技术并结合染色体先验知识对单条染色体进行裁剪,得到染色体的短臂图像和长臂图像;
S2、基于ResNet-50染色体片段识别模型对步骤S1所得染色体的短臂图像和长臂图像进行分类,定义新的类别标签,并标记标签;
S3、根据步骤S2新的类别标签,对同属一条染色体的短臂图像和长臂图像的预测类别进行重新组合,若满足两个染色体片段短臂图像和长臂图像预测类别均属于罗氏易位检测类别,则判定该染色体为罗氏易位异常染色体,否则为正常;
所述步骤S2中,基于常染色体类别用数字1到22号表示,性染色体X用23表示,Y用24表示,定义新的类别标签如下:13号染色体长臂图像为类别1,14号染色体长臂图像为类别2,15号染色体长臂图像为类别3,21号染色体长臂图像为类别4,22号染色体长臂图像为类别5,其他类别染色体长臂图像以及所有类别的染色体短臂图像为类别6;其中,罗氏易位检测类别为1,2,3,4,5。
2.根据权利要求1所述的一种染色体罗氏易位异常检测方法,其特征在于,步骤S1所述裁剪具体方法是基于罗氏易位的形成特点,对一张中期图中的每条染色体提取骨架线,在着丝粒位置处作关于两侧临近两个像素点相连所得的局部骨架线所对应的法线,并沿着法线方向对染色体二值掩膜图画线,从而得到两个前景区域,根据新的前景连通域信息将染色体分成两个染色体片段,即染色体的短臂图像和长臂图像。
3.根据权利要求2所述的一种染色体罗氏易位异常检测方法,其特征在于,步骤S1所述二值掩膜图是指背景为黑色、前景为白色的图。
4.根据权利要求1所述的一种染色体罗氏易位异常检测方法,其特征在于,步骤S2所述ResNet-50染色体片段识别模型通过中期图批次训练染色体片段调优。
5.根据权利要求1所述的一种染色体罗氏易位异常检测方法,其特征在于,当判定该染色体为罗氏易位异常染色体时,则被标记为异常,并用不同的颜色体现。
6.一种染色体罗氏易位异常检测系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-5中任一项所述的一种染色体罗氏易位异常检测方法。
7.一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5中任一项所述的一种染色体罗氏易位异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299568.9A CN115375682B (zh) | 2022-10-24 | 2022-10-24 | 一种染色体罗氏易位异常检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299568.9A CN115375682B (zh) | 2022-10-24 | 2022-10-24 | 一种染色体罗氏易位异常检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375682A CN115375682A (zh) | 2022-11-22 |
CN115375682B true CN115375682B (zh) | 2023-01-20 |
Family
ID=84073240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299568.9A Active CN115375682B (zh) | 2022-10-24 | 2022-10-24 | 一种染色体罗氏易位异常检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375682B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7943304B2 (en) * | 2005-01-12 | 2011-05-17 | Ramesh Vallabhaneni | Method and apparatus for chromosome profiling |
CN105543372B (zh) * | 2016-01-19 | 2017-04-19 | 北京中仪康卫医疗器械有限公司 | 一种检测染色体罗氏易位的方法 |
CN109242842A (zh) * | 2018-08-31 | 2019-01-18 | 郑州金域临床检验中心有限公司 | 基于图像识别的人类染色体分析装置、设备及存储介质 |
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 |
WO2020168511A1 (zh) * | 2019-02-21 | 2020-08-27 | 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 |
CN112052813B (zh) * | 2020-09-15 | 2023-12-19 | 中国人民解放军军事科学院军事医学研究院 | 染色体间易位识别方法、装置、电子设备及可读存储介质 |
CN112288706B (zh) * | 2020-10-27 | 2022-06-24 | 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 |
CN113435285A (zh) * | 2021-06-18 | 2021-09-24 | 中山大学附属第三医院(中山大学肝脏病医院) | 一种血液肿瘤染色体核型自动分析方法及系统 |
CN113658150B (zh) * | 2021-08-23 | 2022-12-09 | 西安交通大学 | 一种基于深度学习的染色体自动分割和分类方法 |
CN114999573B (zh) * | 2022-04-14 | 2023-07-07 | 哈尔滨因极科技有限公司 | 一种基因组变异检测方法及检测系统 |
CN114841294B (zh) * | 2022-07-04 | 2022-10-28 | 杭州德适生物科技有限公司 | 一种检测染色体结构异常的分类器模型训练方法及装置 |
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 |
-
2022
- 2022-10-24 CN CN202211299568.9A patent/CN115375682B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115375682A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
JP7198577B2 (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
CN111461068B (zh) | 一种染色体中期图识别和分割方法 | |
CN112288706A (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN109242842A (zh) | 基于图像识别的人类染色体分析装置、设备及存储介质 | |
CN112201300B (zh) | 基于深度图像特征和阈值学习策略的蛋白质亚细胞定位的方法 | |
CN108090494A (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 | |
CN112733858B (zh) | 基于字符区域检测的图像文字快速识别方法及装置 | |
CN103149210A (zh) | 一种基于鳞片图文特征的织物羊绒含量检测系统及方法 | |
CN110912917A (zh) | 恶意url检测方法及系统 | |
CN113256618A (zh) | 一种基于ihc染色的肿瘤识别系统及方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN117174179A (zh) | 基于深度学习的微卫星不稳定性大肠癌机制信息分析系统 | |
CN117434082A (zh) | 用于硅胶制品生产线的质量检测方法及其系统 | |
CN111815609B (zh) | 基于情境感知及多模型融合的病理图像分类方法及系统 | |
CN115375682B (zh) | 一种染色体罗氏易位异常检测方法、系统及存储介质 | |
CN111968147B (zh) | 一种基于关键点检测的乳腺癌病理图像综合分析系统 | |
CN115880266A (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN113158951B (zh) | 一种从低倍镜图像中寻找染色体分裂相的方法 | |
CN114898131A (zh) | 一种基于自然引导和数据增强的违禁物品检测方法及系统 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
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 |