CN116935365A - 一种基因芯片的识别方法、装置、设备及存储介质 - Google Patents
一种基因芯片的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116935365A CN116935365A CN202310977934.XA CN202310977934A CN116935365A CN 116935365 A CN116935365 A CN 116935365A CN 202310977934 A CN202310977934 A CN 202310977934A CN 116935365 A CN116935365 A CN 116935365A
- Authority
- CN
- China
- Prior art keywords
- image
- gene chip
- recognition result
- target
- identified
- 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.)
- Pending
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 14
- 238000003702 image correction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 15
- 238000009396 hybridization Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 241000700605 Viruses Species 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 150000007523 nucleic acids Chemical group 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 108020004711 Nucleic Acid Probes Proteins 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002853 nucleic acid probe Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101150039504 6 gene Proteins 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 1
- 239000000020 Nitrocellulose Substances 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000376 autoradiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 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
- 230000004907 flux Effects 0.000 description 1
- 238000012224 gene deletion Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001220 nitrocellulos Polymers 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基因芯片的识别方法、装置、设备及存储介质,所述方法包括:获取至少一个待识别的基因芯片图像,至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像;对待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像;将目标图像输入训练好的识别模型中,获取输出的目标识别结果。本发明公开的基因芯片的识别方法,通过将待识别的基因芯片图像纠正得到排布规则的目标图像,使得对基因芯片的识别方法更加灵活,并且得到的识别结果更加智能化和自动化。
Description
技术领域
本发明涉及生物工程技术领域,尤其涉及一种基因芯片的识别方法、装置、设备及存储介质。
背景技术
基因芯片的测序原理是通过与一组已知序列的核酸探针杂交进行核酸序列测定,其中,斑点杂交法是指将待测的DNA变性后点加在硝酸纤维素膜(或尼龙膜、NC膜)上,用已标记的探针进行杂交,再进行洗膜(除去未接合的探针)和放射自显影,根据显影结果判断是否有杂交及其杂交强度,主要用于基因缺失或拷贝数改变的检测。
在现有技术中,若以人工的方式进行基因芯片的识别,存在不能与智能化仪器整体配套,不能自动发送检测结果,工作繁琐,人工识别效率低等问题。而对于基因芯片的自动识别,目前的方案效果都不理想,存在以下问题:基因芯片图像不规整、排布散乱等容易造成误判,一般只能对一整版的基因芯片进行识别。
发明内容
本发明提供了一种基因芯片的识别方法、装置、设备及存储介质,以实现灵活智能地对基因芯片图像进行识别。
根据本发明的一方面,提供了一种基因芯片的识别方法,包括:
获取至少一个待识别的基因芯片图像,所述至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像;
对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像;
将所述目标图像输入训练好的识别模型中,获取输出的目标识别结果。
进一步地,对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像,包括:
对所述待识别的基因芯片图像进行二值化处理,得到第一处理图像;
根据所述第一处理图像进行四边形识别,提取所述第一处理图像中的至少一个四边形图像,作为第二处理图像;
针对每一个所述第二处理图像,分别旋转到水平位置,将得到的水平图像确定为所述目标图像。
进一步地,对所述待识别的基因芯片图像进行二值化处理,得到第一处理图像,包括:
将所述待识别的基因芯片图像转化为二值化图像;
根据设定灰度值阈值,提取所述二值化图像中的网格图像作为所述第一处理图像。
进一步地,根据所述第一处理图像进行四边形识别,提取所述第一处理图像中的至少一个四边形图像,作为第二处理图像,包括:
识别所述第一处理图像的边缘,并确定所述第一处理图像中的闭合轮廓;
提取所述闭合轮廓中符合设定轮廓与面积条件的至少一个四边形图像作为所述第二处理图像。
进一步地,获取输出的目标识别结果之后,还包括:
查找所述目标识别结果的关联识别结果,结合预设规则,对所述目标识别结果和所述关联识别结果进行分析。
进一步地,查找所述目标识别结果的关联识别结果,包括:
获取所述目标识别结果对应的基因芯片图像绑定的唯一标识,所述唯一标识中包含样本对象信息、结果说明信息与检验日期信息;
根据所述唯一标识查找数据库中所述目标识别结果的关联识别结果,所述关联识别结果包括相同样本对象的第一关联识别结果,相同结果说明的第二关联识别结果和相同检验日期的第三关联识别结果。
进一步地,所述预设规则存储于规则引擎模块,对所述识别结果和所述关联识别结果进行分析之后,还包括:
根据分析结果更新所述规则引擎模块。
根据本发明的另一方面,提供了一种基因芯片的识别装置,包括:
基因芯片图像获取模块,用于获取至少一个待识别的基因芯片图像,所述基因芯片图像包括随机摆放的零散基因芯片图像;
基因芯片图像纠正模块,用于对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像;
目标识别结果获取模块,用于将所述目标图像输入训练好的识别模型中,获取输出的目标识别结果。
可选的,基因芯片图像纠正模块还用于:
对所述待识别的基因芯片图像进行二值化处理,得到第一处理图像;
根据所述第一处理图像进行四边形识别,提取所述第一处理图像中的至少一个四边形图像,作为第二处理图像;
针对每一个所述第二处理图像,分别旋转到水平位置,将得到的水平图像确定为所述目标图像。
可选的,基因芯片图像纠正模块还用于:
将所述待识别的基因芯片图像转化为二值化图像;
根据设定灰度值阈值,提取所述二值化图像中的网格图像作为所述第一处理图像。
可选的,基因芯片图像纠正模块还用于:
识别所述第一处理图像的边缘,并确定所述第一处理图像中的闭合轮廓;
提取所述闭合轮廓中符合设定轮廓与面积条件的至少一个四边形图像作为所述第二处理图像。
可选的,装置还包括关联识别结果查找模块,用于查找所述目标识别结果的关联识别结果,结合预设规则,对所述目标识别结果和所述关联识别结果进行分析。
可选的,关联识别结果查找模块还用于:
获取所述目标识别结果对应的基因芯片图像绑定的唯一标识,所述唯一标识中包含样本对象信息、结果说明信息与检验日期信息;
根据所述唯一标识查找数据库中所述目标识别结果的关联识别结果,所述关联识别结果包括相同样本对象的第一关联识别结果,相同结果说明的第二关联识别结果和相同检验日期的第三关联识别结果。
可选的,装置还包括规则引擎更新模块,用于:根据分析结果更新所述规则引擎模块。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基因芯片的识别方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基因芯片的识别方法。
本发明公开的基因芯片的识别方法,首先获取至少一个待识别的基因芯片图像,至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像,然后对待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像,最后将目标图像输入训练好的识别模型中,获取输出的目标识别结果。本发明公开的基因芯片的识别方法,通过将待识别的基因芯片图像纠正得到排布规则的目标图像,使得对基因芯片的识别方法更加灵活,并且得到的识别结果更加智能化和自动化。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基因芯片的识别方法的流程图;
图2是根据本发明实施例一提供的一种待识别的基因芯片图像示意图;
图3是根据本发明实施例一提供的一种目标识别结果的示意图;
图4是根据本发明实施例一提供的一种基因芯片识别系统的软件界面示意图;
图5是根据本发明实施例二提供的一种基因芯片的识别方法的流程图;
图6是根据本发明实施例二提供的一种第一处理图像的示意图;
图7是根据本发明实施例二提供的一种第二处理图像的示意图;
图8为根据本发明实施例三提供的一种基因芯片的识别装置的结构示意图;
图9是实现本发明实施例四的基因芯片的识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种基因芯片的识别方法的流程图,本实施例可适用于对基因芯片进行自动识别的情况,该方法可以由基因芯片的识别装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取至少一个待识别的基因芯片图像。
其中,基因芯片又称DNA芯片,其测序原理是杂交测序,即通过与一组已知序列的核酸探针杂交进行核酸序列测定的方法,在一块基片表面固定了序列已知的靶核苷酸的探针,当溶液中带有荧光标记的核酸序列与基因芯片上对应位置的核酸探针产生互补匹配时,通过确定荧光强度最强的探针位置,获得一组序列完全互补的探针序列,据此可重组出靶核酸的序列。基因芯片图像可以是对杂交测序完的基因芯片进行显影后的图像,利用芯片杂交仪,可以进行显影、拍摄,获得基因芯片图像。
在原有的基因芯片识别技术中,用于识别的基因芯片图像必须是排列规则的整版图像,不能对零散的几个图像进行识别。而在本实施例中,待识别的基因芯片图像可以是随机摆放的零散基因芯片图像,即灵活通量图像。例如,几个杂交测序完的基因芯片样本零散放置于图像采集相机前,相机拍摄则会得到包含这几个待识别的基因芯片图像。
图2是本实施例提供的一种待识别的基因芯片图像示意图,如图所示,6个待识别的基因芯片图像随机摆放,分别来自6个不同的样本对象。
可选的,获取待识别的基因芯片图像的方式可以是,将基因芯片图像的识别装置内置到现有的芯片杂交仪中,通过与芯片杂交仪相连的预设接口获取待识别的基因芯片图像。
S120、对待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像。
其中,目标图像为对原始待识别的基因芯片图像通过计算机视觉等手段进行处理后得到的可以被基因芯片图像识别模型识别的排布规则的图像。
在本实施例中,对待识别的基因芯片图像进行纠正处理的方式可以是,对于随机摆放的零散基因芯片图像,利用计算机视觉的方法,提取待识别的基因芯片图像中的特征,并将其转换为可以被识别模型识别的目标图像。
可选的,对于获取到的一个或多个待识别的基因芯片图像,它们可能零散排布于图像背景上,可以通过扫描、裁剪、旋转等方式,将每个待识别的基因芯片图像划分出来,并统一格式。
S130、将目标图像输入训练好的识别模型中,获取输出的目标识别结果。
其中,识别模型可以是神经网络模型,模型的输入为目标图像,输出为相应的基因芯片的目标识别结果。
在本实施例中,识别模型可以根据输入的目标图像,判断其中是否存在显色点,以及各显色点的位置和颜色深度。
进一步地,得到目标识别结果之后,还可以对目标识别结果进行结果说明,解释目标识别结果的医学含义。图3是本实施例提供的一种目标识别结果的示意图,如图所示,目标识别结果中出现三个显色点,该识别结果的结果说明可以是相应的基因芯片样本中检测到了某种病毒。
进一步地,获取输出的目标识别结果之后,还可以:
查找目标识别结果的关联识别结果,结合预设规则,对目标识别结果和关联识别结果进行分析。
其中,目标识别结果的关联识别结果可以是与目标识别结果的存在时间、空间、对象等关联的其他识别结果,例如对同一样本对象进行基因芯片检测得到的历史识别结果。
可选的,查找目标识别结果的关联识别结果的方式可以是:
获取目标识别结果对应的基因芯片图像绑定的唯一标识,其中,唯一标识中包含样本对象信息、结果说明信息与检验日期信息;根据唯一标识查找数据库中目标识别结果的关联识别结果,其中,关联识别结果包括相同样本对象的第一关联识别结果,相同结果说明的第二关联识别结果和相同检验日期的第三关联识别结果。
具体的,每个基因芯片图像绑定的唯一标识可以是包含信息的唯一编码,例如可以是一个条形码,通过扫描该条形码,可以得到该基因芯片图像来源的样本对象、对该基因芯片进行检测的检验日期、对识别出来的识别结果进行解释的结果说明等信息。得到目标识别结果之后,可以将相关的样本对象信息、结果说明信息与检验日期信息等信息录入系统数据库,这些信息可以通过扫描基因芯片图像绑定的唯一标识访问得到,并且,根据唯一标识中包含的各种信息,可以在数据库中进行查询,从而得到与各关联识别结果。
进一步地,得到关联识别结果后,可以进一步结合预设规则,对目标识别结果和关联识别结果进行分析,例如:
1、若目标识别结果的结果说明信息表明,来源样本对象感染了某一型别HPV病毒,通过查找发现相同样本对象的关联识别结果,关联识别结果的结果说明中同样显示感染了这一型别HPV病毒,且两次检验日期相隔小于半年,则应提示存在高危风险,建议进一步检查;
2、若目标识别结果与相同检验日期的多个关联识别结果出现相同识别结果,则应提示可能出现样本污染情况,建议实验人员进行检查;
3、若未查找到与目标识别结果的相同结果说明的关联识别结果,则可能是某种病毒或疾病首次在当地出现,应提示实验人员重点关注。
可选的,预设规则存储于规则引擎模块,对识别结果和关联识别结果进行分析之后,还可以根据分析结果更新规则引擎模块。
具体的,本发明实施例提供的基因芯片的识别方法可以应用于基因芯片识别系统,该系统包括图像扫描模块、扫码模块、规则引擎模块和一体式电脑。进一步地,该系统还包括与实验室信息系统及与云平台数据库相连接的通信接口。图4是本实施例提供的一种基因芯片识别系统的软件界面示意图,如图所示,软件界面中可以显示一个或多个基因芯片图像及其对应的条码信息、识别结果与结果说明等信息。
优选地,本实施例提供的基因芯片识别系统可以通过扫描基因芯片上的条形码,读取样本对象的信息,并在得到识别结果之后读取规则引擎模块文件和查找关联识别结果,分析得到样本检验报告。样本检验报告可以存储于固定的共享文件夹内,通过开放端口连接实验室信息系统,并同步到云平台数据库。
优选地,规则引擎模块可以根据云数据库及专家经验共识建立,可以联网时实时更新,并且独立于基因芯片识别系统的主程序,可以实现动态、可拓展的云数据和专家知识转化,以指导检验结果的输出。系统对规则引擎模块的使用过程可以是:
1、通过数据格式转换将识别结果转为规则引擎模块所规定的格式;
2、加载存储规则的JSON文件;
3、初始化规则引擎模块;
4、执行规则并返回结果;
5、根据结果生成提示信息。
本发明实施例公开的基因芯片的识别方法,首先获取至少一个待识别的基因芯片图像,至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像,然后对待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像,最后将目标图像输入训练好的识别模型中,获取输出的目标识别结果。本发明公开的基因芯片的识别方法,通过将待识别的基因芯片图像纠正得到排布规则的目标图像,使得对基因芯片的识别方法更加灵活,并且得到的识别结果更加智能化和自动化。进一步地,通过将基因芯片识别系统与实验室信息系统及与云平台数据库相连接,并利用根据云数据库及专家经验共识建立的规则引擎模块,使得对基因芯片图像的判断结果进行智能分析,并自动上传分析报告。
实施例二
图5为本发明实施例二提供的一种基因芯片的识别方法的流程图,本实施例为上述实施例的细化。如图5所示,该方法包括:
S210、获取至少一个待识别的基因芯片图像。
其中,待识别的基因芯片图像包括随机摆放的零散基因芯片图像。
在本实施例中,可以利用芯片杂交仪上的相机对杂交测序完的基因芯片样本进行拍摄,并通过与芯片杂交仪相连的预设接口获取拍摄得到的待识别的基因芯片图像。
S220、对待识别的基因芯片图像进行二值化处理,得到第一处理图像。
在本实施例中,为提取待识别的基因芯片图像的特征,首先需要对其进行二值化处理。
可选的,对待识别的基因芯片图像进行二值化处理,得到第一处理图像的方式可以是:将待识别的基因芯片图像转化为二值化图像;根据设定灰度值阈值,提取二值化图像中的网格图像作为第一处理图像。
具体的,由于对每个基因芯片图像来说,图像上的网格线是整个图像中最黑的部分,通二值化图片,可以形成对图像的线条特征进行加强。得到二值化图像后,可以利用霍夫变换方法,识别图像中长度大于100像素的直线,再根据设定灰度值阈值将图像中的网格提取出来,得到的第一处理图像即为以黑线格子为主的图像。其中,灰度值阈值可以根据当前图像设定,例如,可以将图像中所有直线上像素点的灰度值的最小值作为灰度值阈值。
图6是本实施例提供的一种第一处理图像的示意图,如图所示,图中包括6个基因芯片图像二值化处理后得到的第一处理图像。
S230、根据第一处理图像进行四边形识别,提取第一处理图像中的至少一个四边形图像,作为第二处理图像。
可选的,根据第一处理图像进行四边形识别,提取第一处理图像中的至少一个四边形图像,作为第二处理图像的方式可以是:识别第一处理图像的边缘,并确定第一处理图像中的闭合轮廓;提取闭合轮廓中符合设定轮廓与面积条件的至少一个四边形图像作为第二处理图像。
具体的,得到第一处理图像之后,可以利用CANNY算法找到图像的边缘并标识这些边缘,然后使用findContours函数,将所有闭合的轮廓提取出来。对得到的多个闭合轮廓,可以根据设定的轮廓与面积条件进行逐一筛选。优选地,符合一人份基因芯片图像的轮廓特征可以是:闭合轮廓接近长方形(四个角90°±0.3°),且长宽像素为320×305(误差在正负10以内)。进一步地,对提取所有闭合轮廓可以逐一采用Ramer–Douglas–Peucker计算方法来对轮廓边缘进行多边形拟合,起到滤波降噪、去除毛边的作用。最后得到的四边形图像即为第二处理图像。
图7是本实施例提供的一种第二处理图像的示意图,如图所示,对于得到的6个第一处理图像,经过四边形识别后得到的6个四边形边框如图中加粗线条表示。
S240、针对每一个第二处理图像,分别旋转到水平位置,将得到的水平图像确定为目标图像。
在本实施例中,经过上述步骤得到第二处理图像之后,可以确定相应的四边形的四角坐标,并按照坐标信息,逐一将每个第二处理图像截取出来,然后通过旋转,使其成为水平的图片,得到目标图像。
S250、将目标图像输入训练好的识别模型中,获取输出的目标识别结果。
在本实施例中,识别模型可以根据输入的目标图像,判断其中是否存在显色点,以及各显色点的位置和颜色深度。进一步地,得到目标识别结果之后,还可以对目标识别结果进行结果说明,解释目标识别结果的医学含义。
本发明实施例公开的基因芯片的识别方法,首先获取至少一个待识别的基因芯片图像,至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像,然后对待识别的基因芯片图像进行二值化处理,得到第一处理图像,再根据第一处理图像进行四边形识别,提取第一处理图像中的至少一个四边形图像,作为第二处理图像,再针对每一个第二处理图像,分别旋转到水平位置,将得到的水平图像确定为目标图像,最后将目标图像输入训练好的识别模型中,获取输出的目标识别结果。本发明公开的基因芯片的识别方法,通过将待识别的基因芯片图像纠正得到排布规则的目标图像,使得对基因芯片的识别方法更加灵活,并且得到的识别结果更加智能化和自动化。
实施例三
图8为本发明实施例三提供的一种基因芯片的识别装置的结构示意图。如图8所示,该装置包括:基因芯片图像获取模块310、基因芯片图像纠正模块320和目标识别结果获取模块330。
基因芯片图像获取模块310,用于获取至少一个待识别的基因芯片图像,基因芯片图像包括随机摆放的零散基因芯片图像。
基因芯片图像纠正模块320,用于对待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像。
目标识别结果获取模块330,用于将目标图像输入训练好的识别模型中,获取输出的目标识别结果。
可选的,基因芯片图像纠正模块320还用于:
对待识别的基因芯片图像进行二值化处理,得到第一处理图像;根据第一处理图像进行四边形识别,提取第一处理图像中的至少一个四边形图像,作为第二处理图像;针对每一个第二处理图像,分别旋转到水平位置,将得到的水平图像确定为目标图像。
可选的,基因芯片图像纠正模块320还用于:
将待识别的基因芯片图像转化为二值化图像;根据设定灰度值阈值,提取二值化图像中的网格图像作为第一处理图像。
可选的,基因芯片图像纠正模块320还用于:
识别第一处理图像的边缘,并确定第一处理图像中的闭合轮廓;提取闭合轮廓中符合设定轮廓与面积条件的至少一个四边形图像作为第二处理图像。
可选的,装置还包括关联识别结果查找模块340,用于查找目标识别结果的关联识别结果,结合预设规则,对目标识别结果和所述关联识别结果进行分析。
可选的,关联识别结果查找模块340还用于:
获取目标识别结果对应的基因芯片图像绑定的唯一标识,唯一标识中包含样本对象信息、结果说明信息与检验日期信息;根据唯一标识查找数据库中目标识别结果的关联识别结果,关联识别结果包括相同样本对象的第一关联识别结果,相同结果说明的第二关联识别结果和相同检验日期的第三关联识别结果。
可选的,装置还包括规则引擎更新模块350,用于根据分析结果更新规则引擎模块。
本发明实施例所提供的基因芯片的识别装置可执行本发明任意实施例所提供的基因芯片的识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图9示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图9所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基因芯片的识别方法。
在一些实施例中,基因芯片的识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基因芯片的识别的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基因芯片的识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基因芯片的识别方法,其特征在于,包括:
获取至少一个待识别的基因芯片图像,所述至少一个待识别的基因芯片图像包括随机摆放的零散基因芯片图像;
对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像;
将所述目标图像输入训练好的识别模型中,获取输出的目标识别结果。
2.根据权利要求1所述的方法,其特征在于,对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像,包括:
对所述待识别的基因芯片图像进行二值化处理,得到第一处理图像;
根据所述第一处理图像进行四边形识别,提取所述第一处理图像中的至少一个四边形图像,作为第二处理图像;
针对每一个所述第二处理图像,分别旋转到水平位置,将得到的水平图像确定为所述目标图像。
3.根据权利要求2所述的方法,其特征在于,对所述待识别的基因芯片图像进行二值化处理,得到第一处理图像,包括:
将所述待识别的基因芯片图像转化为二值化图像;
根据设定灰度值阈值,提取所述二值化图像中的网格图像作为所述第一处理图像。
4.根据权利要求2所述的方法,其特征在于,根据所述第一处理图像进行四边形识别,提取所述第一处理图像中的至少一个四边形图像,作为第二处理图像,包括:
识别所述第一处理图像的边缘,并确定所述第一处理图像中的闭合轮廓;
提取所述闭合轮廓中符合设定轮廓与面积条件的至少一个四边形图像作为所述第二处理图像。
5.根据权利要求1所述的方法,其特征在于,获取输出的目标识别结果之后,还包括:
查找所述目标识别结果的关联识别结果,结合预设规则,对所述目标识别结果和所述关联识别结果进行分析。
6.根据权利要求5所述的方法,其特征在于,查找所述目标识别结果的关联识别结果,包括:
获取所述目标识别结果对应的基因芯片图像绑定的唯一标识,所述唯一标识中包含样本对象信息、结果说明信息与检验日期信息;
根据所述唯一标识查找数据库中所述目标识别结果的关联识别结果,所述关联识别结果包括相同样本对象的第一关联识别结果,相同结果说明的第二关联识别结果和相同检验日期的第三关联识别结果。
7.根据权利要求5所述的方法,其特征在于,所述预设规则存储于规则引擎模块,对所述目标识别结果和所述关联识别结果进行分析之后,还包括:
根据分析结果更新所述规则引擎模块。
8.一种基因芯片的识别装置,其特征在于,包括:
基因芯片图像获取模块,用于获取至少一个待识别的基因芯片图像,所述基因芯片图像包括随机摆放的零散基因芯片图像;
基因芯片图像纠正模块,用于对所述待识别的基因芯片图像进行纠正处理,得到排布规则的目标图像;
目标识别结果获取模块,用于将所述目标图像输入训练好的识别模型中,获取输出的目标识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基因芯片的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基因芯片的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977934.XA CN116935365A (zh) | 2023-08-03 | 2023-08-03 | 一种基因芯片的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977934.XA CN116935365A (zh) | 2023-08-03 | 2023-08-03 | 一种基因芯片的识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116935365A true CN116935365A (zh) | 2023-10-24 |
Family
ID=88375323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310977934.XA Pending CN116935365A (zh) | 2023-08-03 | 2023-08-03 | 一种基因芯片的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935365A (zh) |
-
2023
- 2023-08-03 CN CN202310977934.XA patent/CN116935365A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN103543277B (zh) | 一种基于灰度分析与种类识别的血型结果识别算法 | |
CN107918931A (zh) | 图像处理方法及系统 | |
CN103870597B (zh) | 一种无水印图片的搜索方法及装置 | |
CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111476758A (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
CN113610809A (zh) | 骨折检测方法、装置、电子设备以及存储介质 | |
CN115546219B (zh) | 检测板式生成方法、板卡缺陷检测方法、装置及产品 | |
CN116935365A (zh) | 一种基因芯片的识别方法、装置、设备及存储介质 | |
CN111580902B (zh) | 一种基于图片分析的移动端元素定位方法及系统 | |
CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
CN112131418A (zh) | 目标标注方法、目标标注装置和计算机可读存储介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
CN118297946B (zh) | 一种面板边缘缺陷检测方法、装置、设备及存储介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN111177512A (zh) | 一种基于大数据的科技成果缺失处理方法及装置 |
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 |