[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的染色體重要條帶特征可視化方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202111279350.2
• 申請(qǐng)日: 2021-11-01
• 公開(kāi)（公告）號(hào): CN113724793B
• 公開(kāi)（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 張熠天;王琪;穆陽(yáng);彭偉雄;劉香永
• 申請(qǐng)（專利權(quán)）人: 湖南自興智慧醫(yī)療科技有限公司
• 主分類號(hào): G16B45/00
• 分類號(hào): G16B45/00;G16B40/00;G06N3/04
• 代理公司: 長(zhǎng)沙市岳麓慧專利代理事務(wù)所(普通合伙) 43270
• 代理人: 王中華

本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的染色體重要特征可視化方法。所述方法包括如下步驟：用訓(xùn)練數(shù)據(jù)集訓(xùn)練預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型；將訓(xùn)練數(shù)據(jù)集輸入訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，得到各個(gè)染色體圖片的分類結(jié)果、權(quán)重結(jié)果及特征結(jié)果；將各個(gè)染色體圖片的特征結(jié)果與其權(quán)重結(jié)果相乘得到各個(gè)染色體圖片的第一重要度信息；將各個(gè)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(duì)應(yīng)的染色體條帶上，得到縱向重要度信息；根據(jù)縱向重要度信息及各個(gè)染色體圖片的分類結(jié)果對(duì)各個(gè)染色體圖片進(jìn)行統(tǒng)計(jì)分析，得到并展示卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別各類染色體的重要條帶特征，能夠?qū)崿F(xiàn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)判別染色體類別的染色體重要條帶特征的可視化展示。

技術(shù)領(lǐng)域

本發(fā)明涉及智能醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的染色體重要特征可視化方法及裝置。

背景技術(shù)

人類染色體識(shí)別是醫(yī)學(xué)遺傳學(xué)的重要研究課題，其在醫(yī)學(xué)臨床診斷、輔助教學(xué)及科研等領(lǐng)域有著廣泛的應(yīng)用，它是判斷人類遺傳病的重要依據(jù)。隨著人工智能的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域應(yīng)用廣泛且十分有效。卷積神經(jīng)網(wǎng)絡(luò)在染色體的識(shí)別等方面取得了不錯(cuò)成效，擁有更高的準(zhǔn)確度和更快的速度，能有效減輕醫(yī)生的負(fù)擔(dān)。

然而，在現(xiàn)有的技術(shù)中，雖然卷積神經(jīng)網(wǎng)絡(luò)在染色體的識(shí)別上已經(jīng)達(dá)到了很高的精度，但是它并不能夠完全代替人工識(shí)別，不能讓人理解它所提取到的特征，無(wú)法實(shí)現(xiàn)對(duì)染色體重要條帶特征可視化展示。

發(fā)明內(nèi)容

本發(fā)明的目的在于一種基于卷積神經(jīng)網(wǎng)絡(luò)的染色體重要特征可視化方法及裝置，能夠?qū)崿F(xiàn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)判別染色體類別的染色體重要條帶特征的可視化展示，便于建立醫(yī)生對(duì)網(wǎng)絡(luò)的信任，輔助醫(yī)生識(shí)別染色體，同時(shí)便于研究者發(fā)現(xiàn)及學(xué)習(xí)不同類別的染色體之間的重要特征區(qū)別。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的染色體重要特征可視化方法，包括如下步驟：

步驟S1、提供多張?jiān)既旧w圖片，利用預(yù)設(shè)的拉直算法將各張?jiān)既旧w圖片沿骨架線拉直得到多張訓(xùn)練圖片，進(jìn)而生成包括多張訓(xùn)練圖片的訓(xùn)練數(shù)據(jù)集；

步驟S2、用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S3、將訓(xùn)練數(shù)據(jù)集輸入訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，得到各個(gè)染色體圖片的分類結(jié)果、權(quán)重結(jié)果及特征結(jié)果；其中，所述染色體圖片的分類結(jié)果為所述卷積神經(jīng)網(wǎng)絡(luò)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(quán)重結(jié)果為卷積神經(jīng)網(wǎng)絡(luò)模型輸出的該染色體圖片中的染色體的類別對(duì)應(yīng)的權(quán)重值；所述染色體圖片的特征結(jié)果為卷積神經(jīng)網(wǎng)絡(luò)模型輸出的該染色體圖片的特征圖值；

步驟S4、對(duì)各個(gè)染色體圖片的特征結(jié)果與其權(quán)重結(jié)果進(jìn)行加權(quán)處理，得到各個(gè)染色體圖片的第一重要度信息；

步驟S5、將各個(gè)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(duì)應(yīng)的染色體條帶上，得到各個(gè)染色體圖片的縱向重要度信息；

步驟S6、根據(jù)各個(gè)染色體圖片的縱向重要度信息及各個(gè)染色體圖片的分類結(jié)果對(duì)各個(gè)染色體圖片進(jìn)行統(tǒng)計(jì)分析，得到并展示所述卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別各類染色體的重要條帶特征。

可選地，所述步驟S2中預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型包括：依次連接的預(yù)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(guò)卷積層、第九通過(guò)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(jié)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(quán)重結(jié)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(duì)應(yīng)的權(quán)重值；所述染色體圖片的特征結(jié)果為第九通道卷積層輸出的該染色體圖片的特征圖值。

可選地，所述預(yù)處理模塊用于對(duì)改變訓(xùn)練圖片的尺寸至預(yù)設(shè)尺寸，歸一化訓(xùn)練圖片的像素點(diǎn)值，以及對(duì)訓(xùn)練圖片進(jìn)行隨機(jī)水平翻轉(zhuǎn)和增加水平偏移的操作。