[發明專利]一種基于循環神經網絡的染色體分類預測裝置

有效

• 申請號: 201811425376.1
• 申請日: 2018-11-27
• 公開（公告）號: CN109492706B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 吳健;王彥杰;舒景東;王文哲;陸逸飛;吳福理
• 申請（專利權）人: 微醫云（杭州）控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

本發明公開了一種基于循環神經網絡的染色體分類預測裝置，包括存儲器、處理器以及計算機程序，存儲器中存有染色體圖像預處理模塊和染色體分類結果預測模型；染色體分類結果預測模型包括序列特征提取模塊，對序列特征提取模塊輸出的兩條染色體的序列特征進行融合和分類的融合分類模塊；處理器執行計算機程序時實現以下步驟：接收染色體圖像，染色體圖像預處理模塊依次進行有效像素標記、染色體輪廓檢測、分割成N個矩形圖像；將兩條染色體的N個矩形圖像分別輸入到序列特征提取模塊，提取的序列特征S_n1和S_n2輸出到融合分類模塊，經計算輸出染色體的分類預測概率；N的取值為10到20之間的整數。該裝置能輸出準確率較高的染色體分類結果的預測概率。

技術領域

本發明屬于醫療影像數據處理領域，具體涉及一種基于循環神經網絡的染色體分類預測裝置。

背景技術

隨著深度學習在圖像領域取得的巨大發展，基于深度學習方法在醫療影像數據上也被廣泛運用。目前，以深度學習為基礎的計算機系統在識別并分割CT，病理切片，超聲影像，MRI影像等方面，都有著比較突出的效果。

圖像識別(Image Recogntion)，即圖像分類(Image Classification)是計算機視覺的一個重要研究方向，其任務是通過計算機算法將單張圖像分為C個類別。圖像分類在實際運用中常用于光學字符識別，人臉檢測等等。在醫療影像中，圖像分類方法常被用于判斷組織、細胞是否病變等任務。

圖像分類方法目前主要基于卷積神經網絡(Convolutional Neural Network,CNN)，1998年，LECUN等人首次提出了卷積神經網絡LeNet模型被美國許多銀行用來識別支票上的手寫數字之后。各種不同架構的CNN模型在ImageNet競賽中取得多次比賽的冠軍，CNN在圖像處理與目標識別領域被廣泛應用，成為深度學習在圖像處理領域的通用神經網絡。

染色體(chromosome)是真核細胞在有絲分裂或減數分裂時遺傳物質存在的特定形式，是間期細胞染色質結構緊密包裝的結果，是染色質的高級結構，僅在細胞分裂時才出現。染色體有種屬特異性，隨生物種類、細胞類型及發育階段不同，其數量、大小和形態存在差異。染色體是細胞核中載有遺傳信息的物質，在顯微鏡下呈圓柱狀或桿狀。人體染色體的分類與識別是醫學遺傳學中的一項基本任務，應用計算機技術實現人體染色體自動分析與識別是人體染色體圖像分析技術的重要研究課題。

染色體分析系統又稱染色體圖像分析系統/染色體核型分析系統主要應用于現代顯微鏡下的臨床醫學分析診斷，其最大的優點是清晰度高、計算機大屏幕下直接觀察、計算機自動識別、分割染色體，標準染色體核型對照，自動排列，高了分析判斷的準確度，并可以將圖像方便存儲、處理，為以后的分析總結提供寶貴資料，是醫學顯微圖像分析的趨勢。研究染色體自動分析系統的目的，就是要減輕技術人員的勞動強度，使他們從繁瑣的重復勞動中解放出來，并最終將這些系統應用于臨床，進行腫瘤患者的細胞遺傳學鑒定、優生優育的檢查等工作。盡管神經網絡在染色體自動分析系統中的應用已經經過了多年的發展與完善，但仍存在一定的局限性：一是它首先需要一套準確無誤的已分類染色體數據庫，這對一般研究人員來說是不易得到的；二是分類的結果不夠準確，甚至達不到訓練有素的細胞學研究者的水平；三是神經網絡有它固有的缺點——訓練數據量龐大、訓練時間長。

因此在今后的研究中，應該從優化神經網絡的結構、提取有效特征、減少不必要的運算著手，繼續改進和完善這個網絡。

發明內容

本發明公開了一種基于循環神經網絡的染色體分類預測裝置，經過計算可以輸出準確率較高的染色體分類結果的預測概率，該預測概率能夠輔助醫生進行腫瘤患者的細胞遺傳學鑒定、優生優育的檢查。