[發明專利]基于卷積神經網絡的染色體重要條帶特征可視化方法及裝置

有效

• 申請號: 202111279350.2
• 申請日: 2021-11-01
• 公開（公告）號: CN113724793B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 張熠天;王琪;穆陽;彭偉雄;劉香永
• 申請（專利權）人: 湖南自興智慧醫療科技有限公司
• 主分類號: G16B45/00
• 分類號: G16B45/00;G16B40/00;G06N3/04
• 代理公司: 長沙市岳麓慧專利代理事務所(普通合伙) 43270
• 代理人: 王中華

1.一種基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，包括如下步驟：

步驟S1、提供多張原始染色體圖片，利用預設的拉直算法將各張原始染色體圖片沿骨架線拉直得到多張訓練圖片，進而生成包括多張訓練圖片的訓練數據集；

步驟S2、用所述訓練數據集訓練預設的卷積神經網絡模型；

步驟S3、將訓練數據集輸入訓練后的卷積神經網絡模型，得到各個染色體圖片的分類結果、權重結果及特征結果；其中，所述染色體圖片的分類結果為所述卷積神經網絡模型輸出的該染色體圖片中的染色體的類別；所述染色體圖片的權重結果為卷積神經網絡模型輸出的該染色體圖片中的染色體的類別對應的權重值；所述染色體圖片的特征結果為卷積神經網絡模型輸出的該染色體圖片的特征圖值；

步驟S4、對各個染色體圖片的特征結果與其權重結果進行加權處理，得到各個染色體圖片的第一重要度信息；

步驟S5、將各個染色體圖片的第一重要度信息平均映射到該染色體圖片對應的染色體條帶上，得到各個染色體圖片的縱向重要度信息；

步驟S6、根據各個染色體圖片的縱向重要度信息及各個染色體圖片的分類結果對各個染色體圖片進行統計分析，得到并展示所述卷積神經網絡模型識別各類染色體的重要條帶特征；

所述第一重要度信息包括陣列分布的多個點位值；所述步驟S5中將第一重要度信息中每一行的點位值進行橫向平均壓縮，得到各個染色體圖片的縱向重要度信息。

2.如權利要求1所述的基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，所述步驟S2中預設的卷積神經網絡模型包括：依次連接的預處理模塊、第一通道卷積層、第一最大池化層、第二通道卷積層、第二最大池化層、第三通道卷積層、第四通道卷積層、第三最大池化層、第五通道卷積層、第六通道卷積層、第四最大池化層、第七通道卷積層、第八通過卷積層、第九通過卷積層、全局平均池化層及全連接層；

所述染色體圖片的分類結果為所述全連接層輸出的該染色體圖片中的染色體的類別；所述染色體圖片的權重結果為所述全局平均池化層輸出的該染色體圖片中的染色體的類別對應的權重值；所述染色體圖片的特征結果為第九通道卷積層輸出的該染色體圖片的特征圖值。

3.如權利要求2所述的基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，所述預處理模塊用于對改變訓練圖片的尺寸至預設尺寸，歸一化訓練圖片的像素點值，以及對訓練圖片進行隨機水平翻轉和增加水平偏移的操作。

4.如權利要求2所述的基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，所述第一通道卷積層為64通道卷積層，第二通道卷積層為128通道卷積層，第三及第四通道卷積層為256通道卷積層，第五、第六、第七及第八通道卷積層為512通道卷積層，第九通道卷積層為1024通道卷積層；

所述第一至第九通道卷積層的卷積核的大小均為3×3，激活函數均為線性整流函數；

所述第一至第四最大池化層的池化區域均為2×2；

所述全連接層的激活函數為歸一化指數函數；

所述第一至第九通道卷積層、第一至第四最大池化層、全局平均池化層及全連接層均加入參數0.001的L2正則化項防止過擬合。

5.如權利要求1所述的基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，所述步驟S2中采用交叉熵損失函數和隨機梯度下降法預設的卷積神經網絡模型。

6.如權利要求1所述的基于卷積神經網絡的染色體重要條帶特征可視化方法，其特征在于，所述步驟S6中根據各個染色體圖片的縱向重要度信息及各個染色體圖片的分類結果對各個染色體圖片進行統計分析具體包括：

將各張染色體圖片的縱向重要度信息進行歸一化處理；

對分類結果相同的染色體圖片的歸一化后的縱向重要度信息進行平均計算，得到每一類染色體圖片的平均縱向重要度信息。