[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

本發明公開了一種基于深度學習的染色體分裂相圖像質量評價方法，屬于染色體圖像處理技術領域。本發明通過深度學習模型，能夠對染色體分裂相圖像進行質量打分，能夠較為準確的評價染色體圖像的圖像質量，對不同類型的染色體分裂相圖像評價具有較強的魯棒性，提高了醫生操作的效率。本發明能夠對染色體分裂相圖像質量進行準確、高效評價，能夠有效提升染色體分裂相圖像的評價以及挑選效率，縮短染色體分裂相圖像的篩選時間，進而能夠有效減輕醫生的工作負擔，并且不受外界干擾，工序簡潔、合理，可向外大規模推廣應用，部署簡單。

技術領域

本發明涉及一種基于深度學習的染色體分裂相圖像質量評價方法，屬于染色體圖像處理技術領域。

背景技術

染色體分析診斷的第一步是從約200張染色體分裂相圖像中挑選條帶最好的30張，一般認為條帶越長越好，越清晰越好，越離散越好，用此30張分裂相進行下一步的計數分析等操作。

現有的常規做法是將200張圖片全部交給醫務工作者，肉眼逐個觀察染色體分裂相圖像，通過識別染色體的一些基本特征，例如長度、方差、離散度去大致評估一張染色體分裂相的圖像質量，但此方法誤差較大，誤判幾率較大。同時整個評價流程時間周期較長，評價效率低。并且人工識別，主觀性很強，很容易受外界環境影響，進一步影響染色體分裂相圖像質量評價準確率。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種能夠對染色體分裂相圖像進行質量打分的深度學習模型，該模型能夠較為準確的評價染色體圖像的圖像質量，進而便于圖像挑選；并且對不同類型的染色體分裂相圖像評價具有較強的魯棒性，提高了圖像質量評價效率，同時能夠有效減輕醫生的工作負擔，不受外界干擾的基于深度學習的染色體分裂相圖像質量評價方法。

為實現上述目的，本發明的技術方案為：

一種基于深度學習的染色體分裂相圖像質量評價方法，

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。

本發明通過深度學習模型，能夠對染色體分裂相圖像進行質量打分，能夠較為準確的評價染色體圖像的圖像質量，對不同類型的染色體分裂相圖像評價具有較強的魯棒性，提高了醫生操作的效率。

本發明能夠對染色體分裂相圖像質量進行準確、高效評價，能夠有效提升染色體分裂相圖像的評價以及挑選效率，縮短染色體分裂相圖像的篩選時間，進而能夠有效減輕醫生的工作負擔，并且不受外界干擾，工序簡潔、合理，可向外大規模推廣應用，部署簡單。

作為優選技術措施：

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；