1.本发明涉及染色体图像处理技术领域，具体为一种基于知识表示的染色体图像分析方法。
背景技术：2.染色体分析是细胞遗传中一个重要的常规检测手段，且是检测染色体疾病的诊断依据。对染色体进行分析检测主要是对染色体中的片段缺失、重复、倒位，置换及染色体数目变化等的检测。
3.目前对染色体进行分析的传统方法是采用人工的方法对染色体进行分析，以确定染色体以及其相关的疾病，由于人体内包含23对染色体，对每一对染色体逐一的分析，会秏费技术人员大量的时间，且受主观因素影响较大。例如由于技术人员的技术经验和精力有限，遇到无法辨别的染色体异常情况，需要花费更长的时间去分析研究，或因无法辨别染色体异常情况而导致误判，可靠性较低。
技术实现要素：4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于知识表示的染色体图像分析方法，具备分析效率快，分析结果更加的精准可靠等优点，解决了分析时间长，容易出现误判的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：
8.一种基于知识表示的染色体图像分析方法，包括以下步骤：
9.s1、获取15～35组染色体图像，使用专业的图像处理设备对染色体图像进行处理，对所述染色体图像进行图像滤波处理，以去除所述染色体图像中的噪声，并对处理后的染色体图像图像进行图像二值化处理以将所述染色体图像转换为黑白图。
10.s2、用基于轮廓线跟踪算法对与染色体对应的黑白图进行分割得到包含染色体的目标图像，根据预设的轮廓检测算法从所述染色体图像中提取染色体轮廓，对各染色体轮廓进行离散度分析，得到各类簇染色体，对各类簇染色体进行显带清晰度分析，得到所述染色体核型图像的显带清晰度，根据各类簇染色体的数目和所述染色体图像的显带清晰度，确定所述染色体图像的质量。
11.s3、通过根据染色体图像数据分割模型对染色体图像进行分割，利用分割模型将待处理的染色体图像进行分割，针对未完全分割的染色体团簇图像进行二次至多次分割，得到单条染色体。
12.s4、据图形学算法处理后的伸直单条染色体图像数据集训练分类模型，应用分类模型对经过分割并伸直后的单条染色体进行分类。
13.s5、据分类结果，执行适用于医学报告的排版功能，输出排版后的染色体图像进行
系统化的图片分析。
14.优选的，所述步骤s3中染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割。
15.优选的，所述步骤s1中通过数据标注工具将获取到的染色体原始图像进行标注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的json格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。
16.优选的，所述步骤s4中所述分割模型采用基于深度学习的u-net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的分割模型。
17.优选的，所述步骤s3中针对未完全分割的染色体团簇图像若在一定次数分割仍未成功时，调用人工辅助接口给出待人工辅助处理的。
18.优选的，所述调用人工辅助接口之前先对未完全分割的染色体团簇图像进行灰度均衡化的预处理。
19.优选的，所述连通域分割主要是连通区域标记，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，进一步的能够获取这些块几何参数，所述几何参数为块的轮廓或外接矩形或质心或不变矩，骨架提取，即二值图像细化，将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。
20.优选的，所述步骤s4中所述分类模型采用单输入、24类输出的卷积网络结构，对伸直单条染色体图像数据集中的每一幅单条染色体图像进行学习。
21.(三)有益效果
22.与现有技术相比，本发明提供了一种基于知识表示的染色体图像分析方法，具备以下有益效果：
23.1、该一种基于知识表示的染色体图像分析方法，通过获取与染色体对应的图像，然后对图像进行图像处理得到目标图像，并对目标图像中的染色体进行分割，得到多条独立染色体，提取模块对各独立染色体进行特征提取，得到与各独立染色体对应的染色体特征，最后根据与各独立染色体对应的染色体特征，利用系统的分析对各独立染色体进行分类以对各独立染色体进行分析，染色体图像分析效率高，避免了耗时长的问题，使分析的结果更快得出。
24.2、该一种基于知识表示的染色体图像分析方法，通过染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割，可提高染色体分割的精准性，从而能更好的对染色体图像进行分析，提高了染色体图像分析的精准性。
具体实施方式
25.下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明
中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.实施例一：
27.一种基于知识表示的染色体图像分析方法，包括以下步骤：
28.s1、获取15组染色体图像，使用专业的图像处理设备对染色体图像进行处理，对染色体图像进行图像滤波处理，以去除染色体图像中的噪声，并对处理后的染色体图像图像进行图像二值化处理以将染色体图像转换为黑白图，通过数据标注工具将获取到的染色体原始图像进行标注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的json格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。
29.s2、用基于轮廓线跟踪算法对与染色体对应的黑白图进行分割得到包含染色体的目标图像，根据预设的轮廓检测算法从染色体图像中提取染色体轮廓，对各染色体轮廓进行离散度分析，得到各类簇染色体，对各类簇染色体进行显带清晰度分析，得到染色体核型图像的显带清晰度，根据各类簇染色体的数目和染色体图像的显带清晰度，确定染色体图像的质量，连通域分割主要是连通区域标记，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，进一步的能够获取这些块几何参数，几何参数为块的轮廓或外接矩形或质心或不变矩，骨架提取，即二值图像细化，将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。
30.s3、通过根据染色体图像数据分割模型对染色体图像进行分割，利用分割模型将待处理的染色体图像进行分割，针对未完全分割的染色体团簇图像进行二次至多次分割，得到单条染色体，染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割，针对未完全分割的染色体团簇图像若在一定次数分割仍未成功时，调用人工辅助接口给出待人工辅助处理的，调用人工辅助接口之前先对未完全分割的染色体团簇图像进行灰度均衡化的预处理。
31.s4、据图形学算法处理后的伸直单条染色体图像数据集训练分类模型，应用分类模型对经过分割并伸直后的单条染色体进行分类，分割模型采用基于深度学习的u-net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的分割模型，分类模型采用单输入、24类输出的卷积网络结构，对伸直单条染色体图像数据集中的每一幅单条染色体图像进行学习。
32.s5、据分类结果，执行适用于医学报告的排版功能，输出排版后的染色体图像进行系统化的图片分析。
33.实施例二：
34.一种基于知识表示的染色体图像分析方法，包括以下步骤：
35.s1、获取24组染色体图像，使用专业的图像处理设备对染色体图像进行处理，对染色体图像进行图像滤波处理，以去除染色体图像中的噪声，并对处理后的染色体图像图像进行图像二值化处理以将染色体图像转换为黑白图，通过数据标注工具将获取到的染色体原始图像进行标注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩
膜，并输出成卷积网络便于处理的json格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。
36.s2、用基于轮廓线跟踪算法对与染色体对应的黑白图进行分割得到包含染色体的目标图像，根据预设的轮廓检测算法从染色体图像中提取染色体轮廓，对各染色体轮廓进行离散度分析，得到各类簇染色体，对各类簇染色体进行显带清晰度分析，得到染色体核型图像的显带清晰度，根据各类簇染色体的数目和染色体图像的显带清晰度，确定染色体图像的质量，连通域分割主要是连通区域标记，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，进一步的能够获取这些块几何参数，几何参数为块的轮廓或外接矩形或质心或不变矩，骨架提取，即二值图像细化，将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。
37.s3、通过根据染色体图像数据分割模型对染色体图像进行分割，利用分割模型将待处理的染色体图像进行分割，针对未完全分割的染色体团簇图像进行二次至多次分割，得到单条染色体，染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割，针对未完全分割的染色体团簇图像若在一定次数分割仍未成功时，调用人工辅助接口给出待人工辅助处理的，调用人工辅助接口之前先对未完全分割的染色体团簇图像进行灰度均衡化的预处理。
38.s4、据图形学算法处理后的伸直单条染色体图像数据集训练分类模型，应用分类模型对经过分割并伸直后的单条染色体进行分类，分割模型采用基于深度学习的u-net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的分割模型，分类模型采用单输入、24类输出的卷积网络结构，对伸直单条染色体图像数据集中的每一幅单条染色体图像进行学习。
39.s5、据分类结果，执行适用于医学报告的排版功能，输出排版后的染色体图像进行系统化的图片分析。
40.本发明的有益效果是：通过获取与染色体对应的图像，然后对图像进行图像处理得到目标图像，并对目标图像中的染色体进行分割，得到多条独立染色体，提取模块对各独立染色体进行特征提取，得到与各独立染色体对应的染色体特征，最后根据与各独立染色体对应的染色体特征，利用系统的分析对各独立染色体进行分类以对各独立染色体进行分析，染色体图像分析效率高，避免了耗时长的问题，使分析的结果更快得出；通过染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割，可提高染色体分割的精准性，从而能更好的对染色体图像进行分析，提高了染色体图像分析的精准性。
41.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
技术特征：1.一种基于知识表示的染色体图像分析方法，其特征在于，包括以下步骤：s1、获取15～35组染色体图像，使用专业的图像处理设备对染色体图像进行处理，对所述染色体图像进行图像滤波处理，以去除所述染色体图像中的噪声，并对处理后的染色体图像图像进行图像二值化处理以将所述染色体图像转换为黑白图；s2、用基于轮廓线跟踪算法对与染色体对应的黑白图进行分割得到包含染色体的目标图像，根据预设的轮廓检测算法从所述染色体图像中提取染色体轮廓，对各染色体轮廓进行离散度分析，得到各类簇染色体，对各类簇染色体进行显带清晰度分析，得到所述染色体核型图像的显带清晰度，根据各类簇染色体的数目和所述染色体图像的显带清晰度，确定所述染色体图像的质量；s3、通过根据染色体图像数据分割模型对染色体图像进行分割，利用分割模型将待处理的染色体图像进行分割，针对未完全分割的染色体团簇图像进行二次至多次分割，得到单条染色体；s4、据图形学算法处理后的伸直单条染色体图像数据集训练分类模型，应用分类模型对经过分割并伸直后的单条染色体进行分类；s5、据分类结果，执行适用于医学报告的排版功能，输出排版后的染色体图像进行系统化的图片分析。2.根据权利要求1所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述步骤s3中染色体图像切割主要基于连通域分割和骨架提取的方式进行分割，通过连通域分析提取独立的单条染色体后，剩下的交叉染色体进行骨架提取和骨架分析寻找可能的分割点，通过分割点实现交叉染色体的分割。3.根据权利要求1所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述步骤s1中通过数据标注工具将获取到的染色体原始图像进行标注，为图像上每一个可见的染色体标注一个包围框，进而生成二值化的掩膜，并输出成卷积网络便于处理的json格式数据，随后对每一幅图像包括其掩膜图像进行旋转、位移、缩放变换。4.根据权利要求1所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述步骤s4中所述分割模型采用基于深度学习的u-net模型框架，利用制作的染色体原始图像数据集划分训练集和验证集，采用训练集对模型进行训练，采用验证集对训练的模型进行验证测试，最终获得满足要求的分割模型。5.根据权利要求1所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述步骤s3中针对未完全分割的染色体团簇图像若在一定次数分割仍未成功时，调用人工辅助接口给出待人工辅助处理的。6.根据权利要求5所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述调用人工辅助接口之前先对未完全分割的染色体团簇图像进行灰度均衡化的预处理。7.根据权利要求2所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述连通域分割主要是连通区域标记，通过对二值图像中白色像素的标记，让每个单独的连通区域形成一个被标识的块，进一步的能够获取这些块几何参数，所述几何参数为块的轮廓或外接矩形或质心或不变矩，骨架提取，即二值图像细化，将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。8.根据权利要求1所述的一种基于知识表示的染色体图像分析方法，其特征在于，所述
步骤s4中所述分类模型采用单输入、24类输出的卷积网络结构，对伸直单条染色体图像数据集中的每一幅单条染色体图像进行学习。
技术总结本发明涉及染色体图像处理技术领域，且公开了一种基于知识表示的染色体图像分析方法，包括以下步骤，获取15～35组染色体图像，使用专业的图像处理设备对染色体图像进行处理，对所述染色体图像进行图像滤波处理，以去除所述染色体图像中的噪声，并对处理后的染色体图像图像进行图像二值化处理以将所述染色体图像转换为黑白图。该一种基于知识表示的染色体图像分析方法，通过获取与染色体对应的图像，然后对图像进行图像处理得到目标图像，并对目标图像中的染色体进行分割，得到多条独立染色体，利用系统的分析对各独立染色体进行分类以对各独立染色体进行分析，染色体图像分析效率高，避免了耗时长的问题，使分析的结果更快得出。出。
技术研发人员：张浩曦
受保护的技术使用者：上海科莫生医疗科技有限公司
技术研发日：2022.05.12
技术公布日：2022/11/1
