[發明專利]一種基于深度學習的染色體分裂相圖像質量評價方法

在審

• 申請號: 202010050072.2
• 申請日: 2020-01-16
• 公開（公告）號: CN111325711A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 宋寧;馬偉旗;韓云鵬;陳羅克;晏青;沈曉明;吳朝玉
• 申請（專利權）人: 杭州德適生物科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 許守金

1.一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，

包括以下步驟：

第一步，得到染色體分裂相圖像；

第二步，對染色體分裂相進行基本的圖像處理；

對輸入圖像進行標準化處理，使得圖像輸入盡可能標準一致；

第三步，建立深度學習模型，

該模型是端到端的模型，即輸入染色體分裂相圖像，能夠輸出評價分數；

第四步，基于深度學習模型對染色體分裂相圖像進行圖像質量打分；

根據染色體分裂相圖像分數檔位，通過深度學習模型的分類器，對待評價的染色體分裂相圖像進行分數檔位識別；輸出相應檔位的預測概率；進而得到該染色體分裂相圖像的質量分數。

2.如權利要求1所述的一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，

第二步，具體包括以下步驟：

a)將染色體圖像沿著最長的軸放大/縮小至bs個pixel；另一個軸等比例的放大；

b)對放大的圖像不足bs個pixel的軸，填充白色像素至軸長度為bs；

訓練深度學習神經網絡前，對圖像進行旋轉、翻轉數據增強操作；

實現輸入圖像的標準化處理，進而后續網絡訓練更容易收斂。

3.如權利要求2所述的一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，所述bs為含有因數32的數字；

旋轉的角度為正90度，180度，270度；翻轉包括水平翻轉和豎直翻轉；以上操作目的是擴充樣本多樣性。

4.如權利要求3所述的一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，

對每張染色體圖像，

首先計算每張染色體圖像的均值和標準差，

然后根據如下公式得到標準化處理后的圖：

其中，μ為圖像均值，σ為圖像標準差；Image_old為原圖，Image_new為標準化處理后的圖；經過該步驟處理，所有圖像理論上已經具有0均值，1標準差了。

5.如權利要求1所述的一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，

所述第三步，具體包括以下步驟：

S1，建立模型結構：主干網絡模型基于ResNet殘差網絡結構；

S2，通過使用殘差學習Residual Learning的方式，能夠極大提高模型抽取特征的有效性，而且能夠在避免過擬合訓練樣本集的情況下，構建深層次的網絡，提高模型的準確率；本模型的深度為：hs層；

S3，模型的分類器采用的是MLP多層感知器網絡；采取該網絡的要點在于能夠構建一個端到端end-to-end網絡，而無需單獨基于特征再訓練一個SVM分類器；

本模型使用了一個MLP分類器，針對染色體分裂相的分數檔位識別；分數檔位識別分類器的神經元參數構成為：ms*7；染色體的類別分類器目的是輸出7種檔位的染色體的預測概率；其中ms是來源于殘差網絡提取的最后特征，即殘差網絡自己學習到的最終特征，數量為ms；

S4，模型的損失函數Loss Function設置為EMD-based loss函數，其定義的數學表達式如下：

其中，p與分別是人類評價圖片質量的分數概率分布和預測到的分數概率分布；

N為分數的檔數；r表示范數的類型，CDF是對概率分布的累加函數；不同于交叉熵損失函數，此函數是對概率值的累計做了對比，能夠體現類別的排序準確率，以便糾正學習的方向；

S6，深度學習模型的訓練時，使用ADAM優化器。

6.如權利要求5所述的一種基于深度學習的染色體分裂相圖像質量評價方法，其特征在于，

所述S1，殘差網絡結構基于BasicBlock基礎塊的殘差結構進行構建，使用了4組BasicBlock，每一組中BasicBlock的數量分別為2，2，2，2；該殘差基礎塊的目的主要是通過擬合預測輸出的特征的殘差來訓練CNN卷積神經網絡，從而不斷抽取高維特征，以供最終的分類。