[發(fā)明專利]一種基于深度學(xué)習(xí)的抗核抗體核型判讀方法與設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202011482950.4
• 申請(qǐng)日: 2020-12-16
• 公開(kāi)（公告）號(hào): CN112232327B
• 公開(kāi)（公告）日: 2021-04-16
• 發(fā)明（設(shè)計(jì)）人: 任茂源;夏玲芝;袁杭;毛源;文華廷
• 申請(qǐng)（專利權(quán)）人: 南京金域醫(yī)學(xué)檢驗(yàn)所有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京瑞華騰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32368
• 代理人: 錢麗

1.一種基于深度學(xué)習(xí)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(duì)抗核抗體的熒光圖片進(jìn)行分類，所述抗核抗體的熒光圖片的類別包括陰性、陽(yáng)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(jié)果，如抗核抗體的熒光圖片的類別為模糊，則輸出預(yù)警結(jié)果；

基于細(xì)胞識(shí)別模型對(duì)類別為陽(yáng)性的抗核抗體的熒光圖片中的細(xì)胞進(jìn)行識(shí)別，以獲取抗核抗體的熒光圖片中的細(xì)胞的核型類別，所述核型類別包括常規(guī)核型和罕見(jiàn)核型，如細(xì)胞的核型類別為罕見(jiàn)核型，則輸出預(yù)警結(jié)果；

以抗核抗體的熒光圖片中含有的常規(guī)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(jié)果；

所述細(xì)胞識(shí)別模型由以下方式生成：

從抗核抗體熒光圖片數(shù)據(jù)庫(kù)篩選多張陽(yáng)性圖片，并按照?qǐng)D片中含有的熒光核型進(jìn)行標(biāo)注，如圖片中含有多個(gè)熒光核型，則給圖片標(biāo)注上多個(gè)標(biāo)簽，最終得到圖片集A，將圖片集A按照標(biāo)簽分為圖片集A1至 A28，含有圖片數(shù)量最多的圖片集含有的圖片數(shù)量設(shè)定為max_a，遍歷圖片集A1至A28，如其它圖片集含有的圖片數(shù)量少于max_a，則向該圖片集中隨機(jī)的添加該圖片集中原有的圖片，直至該圖片集中的圖片數(shù)量達(dá)到max_a，這樣獲得圖片數(shù)量相等的圖片集A1-A28，從圖片集A1-A28的每個(gè)圖片集中隨機(jī)選取n張圖片建立新的圖片集B，其中，n為自然數(shù)，0 n max_a，對(duì)圖片集B中的每張圖片隨機(jī)截取部分區(qū)域作為識(shí)別訓(xùn)練區(qū)域，并將識(shí)別訓(xùn)練區(qū)域的圖片放入新的圖片集C，重新對(duì)圖片集C中所有的圖片進(jìn)行熒光核型標(biāo)注；

對(duì)圖片集C中的每張圖片進(jìn)行預(yù)處理，然后將圖片放入圖片集D，重復(fù)U次，使圖片集D中的圖片數(shù)量為C的U倍，U為大于零的自然數(shù)；

以圖片集D作為輸入，并以圖片集D中相應(yīng)的標(biāo)注作為輸出訓(xùn)練YOLO-v4神經(jīng)網(wǎng)絡(luò)，最終得到細(xì)胞識(shí)別模型M1；

獲取多張新的陽(yáng)性圖片，并將新的多張陽(yáng)性圖片納入圖片集E中，然后對(duì)圖片集E中的每張圖片隨機(jī)截取多張的部分區(qū)域作為識(shí)別訓(xùn)練區(qū)域圖片，并將識(shí)別訓(xùn)練區(qū)域圖片放入圖片集F，使用細(xì)胞識(shí)別模型M1對(duì)圖片集F中的圖片進(jìn)行標(biāo)注，然后對(duì)由細(xì)胞識(shí)別模型M1標(biāo)注的圖片進(jìn)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(kuò)大；

使用擴(kuò)大后的圖片集D對(duì)細(xì)胞識(shí)別模型M1進(jìn)行訓(xùn)練，以獲得完善的細(xì)胞識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)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(shù)據(jù)庫(kù)篩選多張分別符合陰性、陽(yáng)性、模糊標(biāo)準(zhǔn)的圖片，并對(duì)其分別進(jìn)行標(biāo)注；

從標(biāo)注后的圖片上隨機(jī)選擇部分區(qū)域作為類別訓(xùn)練區(qū)域圖片，并對(duì)類別訓(xùn)練區(qū)域進(jìn)行預(yù)處理；

將預(yù)處理后的類別訓(xùn)練區(qū)域圖片傳入神經(jīng)網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)中首先進(jìn)行若干次平均池化操作，以將訓(xùn)練區(qū)域縮小，然后進(jìn)行若干次殘差卷積，最后接上2層全連接層，輸出三個(gè)分別與所述熒光圖片的類別概率對(duì)應(yīng)的特征值；

以預(yù)處理后的類別訓(xùn)練區(qū)域圖片作為輸入，并以其類別作為輸出，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲得圖片分類模型。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)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(duì)圖片集F中的圖片進(jìn)行標(biāo)注，標(biāo)注內(nèi)容為通過(guò)細(xì)胞識(shí)別模型識(shí)別出的核型；

將圖片集F中的所有圖片進(jìn)行細(xì)胞識(shí)別，輸出的結(jié)果根據(jù)細(xì)胞的分布轉(zhuǎn)化為28維度結(jié)構(gòu)化數(shù)據(jù)，并將28維度結(jié)構(gòu)化數(shù)據(jù)作為新神經(jīng)網(wǎng)絡(luò)的輸入；

遍歷輸入的所有圖片的28維度結(jié)構(gòu)化數(shù)據(jù)，將除0以外數(shù)量最少的細(xì)胞數(shù)設(shè)為min_s，最多的細(xì)胞數(shù)設(shè)為max_s，在min_s和max_s之間設(shè)立10個(gè)區(qū)間，這10個(gè)區(qū)間作為分桶列分類標(biāo)準(zhǔn)；

以28維10個(gè)分桶列分類標(biāo)準(zhǔn)的結(jié)構(gòu)化數(shù)據(jù)作為輸入，并以最終的判讀結(jié)果作為輸出，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲得核型判別模型。

4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的抗核抗體核型判讀方法，其特征在于，所述預(yù)處理包括隨機(jī)旋轉(zhuǎn)和/或隨機(jī)鏡像翻轉(zhuǎn)。