【技術實現步驟摘要】
本專利技術涉及圖像處理領域，尤其是涉及染色體中期分裂相圖像排序方法。
技術介紹
1、染色體核型分析是診斷染色體易位、缺失，以及各種遺傳病變的主要途徑。制作用于核型分析的染色體標本包含多個步驟，例如載片清洗、細胞培養、秋水仙素處理、固定、giemsa染色、封片等。之后將標本放入染色體分析儀中，采集少則幾十、多則數百張不同細胞的染色體中期分裂相圖像。醫師從中挑選顯帶清晰、長度適中、形狀完整、交叉粘連與噪音干擾較少的圖像用于核型分析任務。
2、由于采集的染色體中期分裂相圖像數量較多，且質量不一，導致人工挑選圖像費時費力，且效率和準確度依賴于醫師的熟練度。
技術實現思路
1、為了克服現有技術的不足，本專利技術的目的之一在于提供一種染色體中期分裂相圖像排序方法，首先對染色體進行預分割，之后按照質量從高到低的順序對采集到的染色體圖像排序，使醫師得以快速發現適合核型分析的染色體圖像，提高效率。
2、本專利技術的目的之一采用如下技術方案實現：
3、一種染色體中期分裂相圖像排序方法，包括以下步驟：
4、s1：對染色體中期分裂相圖像中交叉、粘連的染色體進行分割；
5、s2：對分割后的染色體圖像進行多個特征的提??；
6、s3：設置各個特征的合理區間，當每一圖像的各個特征均處在對應的區間內，則該圖像被視為高質量圖像，置入集合s1，當每一圖像的某一特征不在區間內，則將該圖像置入集合s2，對兩個集合內的圖像分別進行排序，其中集合s1內的圖
7、進一步地，步驟s1具體包括以下步驟：
8、s11：建立染色體數據庫，包含原始的染色體中期分裂相圖像和人工標注信息；
9、s12：將染色體數據庫劃分為訓練和驗證兩個子集；
10、s13：擴充訓練集中圖像的數量；
11、s14：計算訓練集中圖像的平均值和方差，并根據平均值和方差對訓練集和測試集中的圖像進行歸一化；
12、s15：采用訓練集訓練實例分割算法；
13、s16：采用非極大值抑制算法優化分割結果；
14、s17：保存算法的參數并用于染色體中期分裂相圖像的分割。
15、進一步地，步驟s13中，采用圖像旋轉、上下翻轉、左右翻轉中的至少一種操作擴充訓練集中圖像的數量。
16、進一步地，步驟s15中，分割算法為mask-rcnn。
17、進一步地，步驟s15中，訓練集訓練實例分割算法時，訓練次數為30，初始學習率為0.0001，每訓練10次學習率縮小10倍。
18、進一步地，步驟s15中，采用訓練集訓練實例分割算法時，采用隨機梯度下降算法進行優化。
19、進一步地，步驟s16中，采用非極大值抑制算法優化分割結果時，圖像感興趣區域閾值為0.7，圖像分割閾值為0.5。
20、進一步地，步驟s2中，所述多個特征為染色體數量、連通域數量、灰度級分布、邊框處染色體面積、染色體分布中心與圖像中心距離以及染色體的最大面積中的至少兩個。
21、進一步地，步驟s2中，染色體數量具體為：統計同一病例內各個中期分裂相圖像分割出來的染色體數，計算眾數，將各圖像染色體數減去眾數，并計算絕對值。
22、進一步地，步驟s2中，連通域數量具體為：對中期分裂相圖像進行閾值分割，生成二值圖，面積小于預設值的連通域被視為噪音，從二值圖中刪除，計算當前連通域數量并減去分割出來的噪音數量。
23、進一步地，步驟s2中，染色體分布中心與圖像中心距離具體為：根據分割結果計算圖像中各染色體的幾何中心，之后計算這些幾何中心的平均值，將其視為染色體的分布中心，計算分布中心與圖像中心的距離。
24、相比現有技術，本專利技術染色體中期分裂相圖像排序方法中對染色體中期分裂相圖像中交叉、粘連的染色體進行分割；對分割后的染色體圖像進行多個特征的提??；設置各個特征的合理區間，當每一圖像的各個特征均處在對應的區間內，則該圖像被視為高質量圖像，置入集合s1，當每一圖像的某一特征不在區間內，則將該圖像置入集合s2，對兩個集合內的圖像分別進行排序，其中集合s1內的圖像按照連通域數目從大到小的順序排列，集合s2的圖像按照染色體數量從多到少的順序排列，將集合s2中所有圖像的序號加上集合s1的長度，然后合并兩個集合，完成整體的排序，通過上述方法，可以自動篩選出符合核型分析所需的圖像，無需人工操作，不易受醫師主觀因素的影響；本申請的排序方法處理速度快，可有效降低核型分析所需的時間，提高效率。
本文檔來自技高網...【技術保護點】
1.一種染色體中期分裂相圖像排序方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S1具體包括以下步驟：
3.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S13中，采用圖像旋轉、上下翻轉、左右翻轉中的至少一種操作擴充訓練集中圖像的數量。
4.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S15中，分割算法為Mask-RCNN。
5.根據權利要求4所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S15中，訓練集訓練實例分割算法時，訓練次數為30，初始學習率為0.0001，每訓練10次學習率縮小10倍。
6.根據權利要求4所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S15中，采用訓練集訓練實例分割算法時，采用隨機梯度下降算法進行優化。
7.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟S16中，采用非極大值抑制算法優化分割結果時，圖像感興趣區域閾值為0.7，圖像分割閾值為0.5。
...【技術特征摘要】
1.一種染色體中期分裂相圖像排序方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s1具體包括以下步驟：
3.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s13中，采用圖像旋轉、上下翻轉、左右翻轉中的至少一種操作擴充訓練集中圖像的數量。
4.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s15中，分割算法為mask-rcnn。
5.根據權利要求4所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s15中，訓練集訓練實例分割算法時，訓練次數為30，初始學習率為0.0001，每訓練10次學習率縮小10倍。
6.根據權利要求4所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s15中，采用訓練集訓練實例分割算法時，采用隨機梯度下降算法進行優化。
7.根據權利要求2所述的染色體中期分裂相圖像排序方法，其特征在于：步驟s16中，采用非極大值抑制算法優化分割結果時，圖像感興趣區域閾值為0.7，...
【專利技術屬性】
技術研發人員：宋鵬，郭運博，高培淞，呂甜甜，洪凱程，李俊博，
申請(專利權)人：中國科學院蘇州生物醫學工程技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。