基于深度学习的染色体识别方法、装置、设备和存储介质与流程

技术特征：
1.一种基于深度学习的染色体识别方法，其特征在于，所述方法包括：对待识别的染色体图像进行二值化处理，得到染色体的二值图像；对所述二值图像进行正交投影，确定所述染色体的弯曲中心，并从所述弯曲中心处切分所述染色体图像中的染色体；将切分得到的两部分染色体转正后按照切口拼接；根据所述待识别的染色体图像和拼接后得到的图像，确定样本图像；根据所述样本图像进行深度学习训练，得到染色体分类模型；通过所述染色体分类模型，识别所述待识别的染色体图像中染色体的类别。2.根据权利要求1所述的方法，其特征在于，所述对待识别的染色体图像进行二值化处理，得到染色体的二值图像包括：获取标准染色体图像；按照所述标准染色体图像的尺寸，对待识别的染色体图像进行缩放处理；对缩放处理后的待识别的染色体图像进行二值化处理，得到染色体的二值图像。3.根据权利要求1所述的方法，其特征在于，所述对所述二值图像进行正交投影，确定所述染色体的弯曲中心包括：逐步旋转所述二值图像，并对旋转至各角度下的所述二值图像分别进行水平投影和垂直投影；根据垂直投影向量，将所述二值图像旋转至目标角度；所述目标角度，是使所述二值图像中的染色体处于直立状态时所旋转的角度；根据所述二值图像旋转至所述目标角度时的水平投影向量，确定所述染色体的弯曲中心。4.根据权利要求3所述的方法，其特征在于，所述根据所述二值图像旋转至所述目标角度时的水平投影向量，确定所述染色体的弯曲中心包括：从所述二值图像旋转至所述目标角度时的水平投影向量中，确定两个局部极大值；根据所述两个局部极大值之间的区域中的全局最小值，确定所述染色体的弯曲中心。5.根据权利要求1所述的方法，其特征在于，所述根据所述待识别的染色体图像和拼接后得到的图像，确定样本图像包括：将所述待识别的染色体图像和拼接后得到的图像作为待处理的图像，对所述待处理的图像进行图像预处理，并对预处理后得到的图像中的像素进行归一化处理，得到样本图像；其中，所述图像预处理包括以下至少一种：利用像素点将所述待处理的图像填充为预设形状和尺寸；通过直方图均衡化处理，对所述待处理的图像进行图像增强；通过均值滤波对所述待处理的图像进行平滑处理；对所述待处理的图像进行图像扩增处理。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述样本图像进行深度学习训练，得到染色体分类模型包括：获取待训练的分类模型；所述分类模型中包括浅层卷积网络和深层卷积网络；所述深层卷积网络中包括不同结构的至少两种卷积模块，每个卷积模块通过级联多个第一卷积核替换第二卷积核，所述第一卷积核小于所述第二卷积核；
将所述样本图像输入本轮待训练的分类模型，依次经过所述浅层卷积网络和深层卷积网络进行特征提取；基于提取的特征预测所述样本图像中染色体的类别，得到预测结果；根据所述预测结果确定本轮的损失值，并根据所述损失值调整本轮待训练的分类模型的模型参数，并将下一轮作为本轮，返回执行将所述样本图像输入本轮待训练的分类模型的步骤，以进行迭代训练，直至迭代停止得到染色体分类模型。7.根据权利要求6所述的方法，其特征在于，所述损失值为基于交叉熵的难分类样本聚焦损失值；所述方法还包括：根据本轮的难分类样本聚焦损失值，减少下一轮训练中易分类样本图像的权重、且增加难分类样本图像的权重；所述将下一轮作为本轮，返回执行将所述样本图像输入本轮待训练的分类模型的步骤包括：将下一轮作为本轮，并将权重调整后的样本图像作为待输入的样本图像，执行所述将所述样本图像输入本轮待训练的分类模型及后续训练步骤。8.一种基于深度学习的染色体识别装置，其特征在于，所述装置包括：二值化模块，用于对待识别的染色体图像进行二值化处理，得到染色体的二值图像；切分模块，用于对所述二值图像进行正交投影，确定所述染色体的弯曲中心，并从所述弯曲中心处切分所述染色体图像中的染色体；拼接模块，用于将切分得到的两部分染色体转正后按照切口拼接；模型训练模块，用于根据所述待识别的染色体图像和拼接后得到的图像，确定样本图像；根据所述样本图像进行深度学习训练，得到染色体分类模型；识别模块，用于通过所述染色体分类模型，识别所述待识别的染色体图像中染色体的类别。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种基于深度学习的染色体识别方法、装置、计算机设备和存储介质。所述方法包括：对待识别的染色体图像进行二值化处理，得到染色体的二值图像；对所述二值图像进行正交投影，确定所述染色体的弯曲中心，并从所述弯曲中心处切分所述染色体图像中的染色体；将切分得到的两部分染色体转正后按照切口拼接；根据所述待识别的染色体图像和拼接后得到的图像，确定样本图像；根据所述样本图像进行深度学习训练，得到染色体分类模型；通过所述染色体分类模型，识别所述待识别的染色体图像中染色体的类别。本方案能够节省成本。本方案能够节省成本。本方案能够节省成本。


技术研发人员：许德鹏 刘晓康 王雪峰 陈齐文
受保护的技术使用者：深圳市瑞图生物技术有限公司
技术研发日：2020.11.30
技术公布日：2022/6/4