[發明專利]一種基于深度學習的抗核抗體核型判讀方法與設備

有效

• 申請號: 202011482950.4
• 申請日: 2020-12-16
• 公開（公告）號: CN112232327B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 任茂源;夏玲芝;袁杭;毛源;文華廷
• 申請（專利權）人: 南京金域醫學檢驗所有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京瑞華騰知識產權代理事務所(普通合伙) 32368
• 代理人: 錢麗

1.一種基于深度學習的抗核抗體核型判讀方法，其特征在于，包括：

獲取抗核抗體的熒光圖片，并基于圖片分類模型對抗核抗體的熒光圖片進行分類，所述抗核抗體的熒光圖片的類別包括陰性、陽性和模糊，如抗核抗體的熒光圖片的類別為陰性，則直接輸出陰性結果，如抗核抗體的熒光圖片的類別為模糊，則輸出預警結果；

基于細胞識別模型對類別為陽性的抗核抗體的熒光圖片中的細胞進行識別，以獲取抗核抗體的熒光圖片中的細胞的核型類別，所述核型類別包括常規核型和罕見核型，如細胞的核型類別為罕見核型，則輸出預警結果；

以抗核抗體的熒光圖片中含有的常規核型的類別為輸入，并基于核型判別模型生成熒光核型判讀結果；

所述細胞識別模型由以下方式生成：

從抗核抗體熒光圖片數據庫篩選多張陽性圖片，并按照圖片中含有的熒光核型進行標注，如圖片中含有多個熒光核型，則給圖片標注上多個標簽，最終得到圖片集A，將圖片集A按照標簽分為圖片集A1至 A28，含有圖片數量最多的圖片集含有的圖片數量設定為max_a，遍歷圖片集A1至A28，如其它圖片集含有的圖片數量少于max_a，則向該圖片集中隨機的添加該圖片集中原有的圖片，直至該圖片集中的圖片數量達到max_a，這樣獲得圖片數量相等的圖片集A1-A28，從圖片集A1-A28的每個圖片集中隨機選取n張圖片建立新的圖片集B，其中，n為自然數，0 n max_a，對圖片集B中的每張圖片隨機截取部分區域作為識別訓練區域，并將識別訓練區域的圖片放入新的圖片集C，重新對圖片集C中所有的圖片進行熒光核型標注；

對圖片集C中的每張圖片進行預處理，然后將圖片放入圖片集D，重復U次，使圖片集D中的圖片數量為C的U倍，U為大于零的自然數；

以圖片集D作為輸入，并以圖片集D中相應的標注作為輸出訓練YOLO-v4神經網絡，最終得到細胞識別模型M1；

獲取多張新的陽性圖片，并將新的多張陽性圖片納入圖片集E中，然后對圖片集E中的每張圖片隨機截取多張的部分區域作為識別訓練區域圖片，并將識別訓練區域圖片放入圖片集F，使用細胞識別模型M1對圖片集F中的圖片進行標注，然后對由細胞識別模型M1標注的圖片進行人工修改，最終將這些被修改的圖片納入圖片集D，使圖片集D不斷擴大；

使用擴大后的圖片集D對細胞識別模型M1進行訓練，以獲得完善的細胞識別模型。

2.根據權利要求1所述的基于深度學習的抗核抗體核型判讀方法，其特征在于，所述圖片分類模型由以下方式生成：

從抗核抗體熒光圖片數據庫篩選多張分別符合陰性、陽性、模糊標準的圖片，并對其分別進行標注；

從標注后的圖片上隨機選擇部分區域作為類別訓練區域圖片，并對類別訓練區域進行預處理；

將預處理后的類別訓練區域圖片傳入神經網絡，在神經網絡中首先進行若干次平均池化操作，以將訓練區域縮小，然后進行若干次殘差卷積，最后接上2層全連接層，輸出三個分別與所述熒光圖片的類別概率對應的特征值；

以預處理后的類別訓練區域圖片作為輸入，并以其類別作為輸出，對神經網絡進行訓練，以獲得圖片分類模型。

3.根據權利要求1所述的基于深度學習的抗核抗體核型判讀方法，其特征在于，所述核型判別模型由以下方式生成：

將圖片集E和圖片集B中的圖片納入圖片集F，并對圖片集F中的圖片進行標注，標注內容為通過細胞識別模型識別出的核型；

將圖片集F中的所有圖片進行細胞識別，輸出的結果根據細胞的分布轉化為28維度結構化數據，并將28維度結構化數據作為新神經網絡的輸入；

遍歷輸入的所有圖片的28維度結構化數據，將除0以外數量最少的細胞數設為min_s，最多的細胞數設為max_s，在min_s和max_s之間設立10個區間，這10個區間作為分桶列分類標準；

以28維10個分桶列分類標準的結構化數據作為輸入，并以最終的判讀結果作為輸出，對神經網絡進行訓練，以獲得核型判別模型。

4.根據權利要求2所述的基于深度學習的抗核抗體核型判讀方法，其特征在于，所述預處理包括隨機旋轉和/或隨機鏡像翻轉。