技术特征：
1.一种基于人工智能的染色体图像筛选方法，其特征在于，包括以下步骤：s1、收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取n个标号候选染色体分裂相图像；s2、对于上述获取n个标号候选染色体分裂相图像进行数据扩增，数据扩增包括随机水平翻转、随机竖直翻转、随机裁剪至统一大小，并对测试集中的染色体图像的大小进行统一调整，以及对训练集和测试集图像像素值标准化的预处理，最后在训练时对训练集处理后的染色体图像进行平衡抽样，其中，对图像大小统一调整到(120
×
k)
×
(120
×
k)；s3、根据n个标号候选染色体分裂相图像数据集训练模型，在进行染色体图像处理时，利用模型将待处理的染色体原始医学图像进行集训分类，根据图形学算法处理后的染色体图像数据集训练分类模型；s4、完成后根据染色体图像数据集训练分类模型分别获取每一候选染色体分裂相图像的有效连通区域信息，有效连通区域信息包括有效连通区域的数量、有效连通区域的平均长度、有效连通区域的长宽比以及有效连通区域的分散度中的至少一项，有效连通区域信息，分别获取每一所述候选染色体分裂相图像的评分值；s5、根据评分值，从n个标号候选染色体分裂相图像中筛选出至少一个目标染色体分裂相图像。2.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤s1中，n为大于1的整数标号。3.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤s2中，其中k为整数，其k的数值大小可根据筛选时所需图片的大小进行改变，使获取n个标号候选染色体分裂相图像得到统一性。4.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，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号备注，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。5.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤s3中采用基于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图像数据集训练模型。6.根据权利要求1所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述步骤s4中分别获取每一候选染色体分裂相图像的有效连通区域信息，包括分别获取每一候选染色体分裂相图像的初始连通区域，对全部所述初始连通区域进行筛选，获取有效连通区域，依据有效连通区域获得有效连通区域信息。7.根据权利要求6所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述分别获取每一所述候选染色体分裂相图像的初始连通区域，包括，计算所述候选染色体分裂相图像的灰度直方图，依据所述灰度直方图得到灰度阈值，根据所述灰度阈值对所述候选染色体分裂相图像进行二值化处理获得二值化图像，对所述二值化图像进行距离变化，获得距离变化图，依据所述距离变化图获得所述初始连通区域。8.根据权利要求7所述的一种基于人工智能的染色体图像筛选方法，其特征在于，所述
对全部所述初始连通区域进行筛选，获取有效连通区域，包括分别将每一所述初始连通区域的最大距离变化值与预设范围进行比较，将所述最大距离变化值在所述预设范围内的每一所述初始连通区域均确定为所述有效连通区域。
技术总结
本发明涉及染色体图像处理技术领域，且公开了一种基于人工智能的染色体图像筛选方法，包括以下步骤，收集显微镜下分裂中细胞的染色体图像，其收集的染色体图像根据其标号的方法对其收集的所有染色体图进行数字标号备注，从而获取N个标号候选染色体分裂相图像。该一种基于人工智能的染色体图像筛选方法，通过选取N个标号候选染色体分裂相图像，并以图形学算法使得阈值化处理、灰度均衡化处理等预处理过程可以完全脱离人工操作，避免了因个人特性造成的误差，会给图像带来满足人眼视觉的提升，同时，也支持人工进行再次调整，以满足人工纠错和特异性需求，并且不会影响其最终处理的质量。量。
技术研发人员：张浩曦 王铮
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：2022.04.25
技术公布日：2022/8/30