染色体图像可解释评估选取方法、装置、设备及存储介质与流程

本发明属于染色体图像处理，具体涉及一种染色体图像可解释评估选取方法、装置、设备及存储介质。

背景技术：

1、在进行染色体核型分析时，往往需要对分割出来的染色体单体图像进行分类和异常判断。目前，基于人工智能的辅助做法普遍是先用基于深度学习的分割网络(一般而言是实例分割网络，比如mask r-cnn)对细胞核内物质的真实显微图像进行分割，得到每一根染色体的独立图像(即染色体单体图像)，然后再通过一个识别网络来对每一根染色体进行分类识别。

2、由于所述真实显微图像主要是染色体中期图像，而中期图(即染色体中期图像的简称)中的独立染色体是随机分布的，因此不同的中期图具有不同程度的染色体互相交叉、重叠以及粘连等情况，使得进行染色体核型分析所需图像的最好情况是在一张中期图里没有一处染色体交叉、重叠或者是粘连，而最坏情况可能是在一张中期图里会有大量的染色体互相交叉、重叠以及粘连等情况(因为这样会给核型分析造成巨大的困难)。因此在进行染色体核型分析前，有必要对中期图进行有目标选取(即最好选取没有一处染色体交叉、重叠或者是粘连的中期图)，以便降低后续核型分析难度。

3、现有的图像评估方法，大都是集中于评价图像锐度以及色彩等方面，而缺少对图像中个体元素的分布及个体元素间相互关系进行理解和评价。如果采用普通的且基于深度学习的方法来对图像进行评分(即通过大量的样本来训练人工神经网络模型进行分数回归预测)，虽然在一定程度上可缓解此问题，但是这类方法的缺点是可解释性很差，难以达到医疗业务需要给出判断依据的需求；另外，这类方法大量依赖样本，而染色体分布随机性很强，长短差异变化大，从而使得普通基于深度学习的方法不仅缺少可解释性，还不够准确，有时候甚至还会给出错误分数，不利于对中期图进行准确地有目的选取。

技术实现思路

1、本发明的目的是提供一种染色体图像可解释评估选取方法、装置、计算机设备及计算机可读存储介质，用以解决现有图像评估方法在选取染色体中期图像时所存在可解释性差和准确性低的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种染色体图像可解释评估选取方法，包括：

4、获取多个细胞核的真实显微图像；

5、对各个所述真实显微图像分别进行染色体识别处理，得到各个所述真实显微图像的染色体识别结果，其中，所述染色体识别结果包含有识别出的至少一个染色体以及各个染色体的图中所在位置；

6、针对各个所述真实显微图像，根据对应的染色体识别结果进行染色体位置分析，得到对应的染色体分布情况描述信息，其中，所述染色体分布情况描述信息包含有在至少一个专家视觉概念上所得的统计结果，所述专家视觉概念是指在染色体专家对染色体进行核型分析时所采用的且用于评估图像好坏程度的染色体位置概念；

7、针对各个所述真实显微图像，根据专家视觉评分规则和对应的染色体分布情况描述信息，得到对应的图像评分，其中，所述专家视觉评分规则是指在染色体专家对染色体进行核型分析时所采用的且基于所述至少一个专家视觉概念来评估图像好坏程度的图像评分规则；

8、按照图像评分从高至低顺序依次排列所述多个细胞核的真实显微图像，得到图像序列，并根据预设的图像选取数量k，将所述图像序列中的前k个真实显微图像作为图像选取结果。

9、基于上述
技术实现要素：
，提供了一种基于专家视觉概念和专家视觉评分规则的染色体图像选取新方案，即在先对细胞核内物质的真实显微图像进行染色体识别处理，得到染色体识别结果，然后根据染色体识别结果进行染色体位置分析，得到在至少一个专家视觉概念上所得的统计结果，然后根据专家视觉评分规则和该统计结果得到图像评分，最后按照图像评分从高至低顺序确定前若干个真实显微图像为图像选取结果，如此不但可使选取过程具有可解释性，还可相比较于传统深度学习分类技术，既无需依赖样本，又能够更加准确地对中期图进行有目的选取，利于降低后续核型分析难度，便于实际应用和推广。

10、在一个可能的设计中，在获取多个细胞核的真实显微图像之后且在对各个所述真实显微图像分别进行染色体识别处理之前，所述方法还包括：

11、对所述真实显微图像进行图像滤波处理，得到已去除图像噪声的真实显微图像；

12、对所述已去除图像噪声的真实显微图像进行预处理，得到待识别的真实显微图像，其中，所述预处理包括有图像尺寸统一调整处理和像素值标准化处理，所述像素值标准化处理是指对图像色彩分布和/或曝光度进行统一校准操作。

13、在一个可能的设计中，对各个所述真实显微图像分别进行染色体识别处理，得到各个所述真实显微图像的染色体识别结果，包括：

14、采用基于深度学习的图像目标识别算法对各个所述真实显微图像分别进行染色体识别处理，得到各个所述真实显微图像的染色体识别结果，其中，所述染色体识别结果包含有识别出的至少一个染色体以及各个染色体的图中所在位置。

15、在一个可能的设计中，所述图像目标识别算法采用yolo v4目标检测算法或mask2former算法，所述图中所在位置由检测所得标记框的一组对角顶点坐标表示。

16、在一个可能的设计中，所述至少一个专家视觉概念包含有染色体交叉概念、染色体粘连概念、染色体嵌入概念、染色体无接触概念和/或染色体独立概念，其中，所述染色体交叉概念是指两染色体在位置关系上出现交叉现象，所述染色体粘连概念是指两染色体在位置关系上出现粘连现象，所述染色体嵌入概念是指两染色体在位置关系上出现嵌入现象，所述染色体无接触概念是指两染色体在位置关系上出现无接触现象，所述染色体独立概念是指单个染色体与其它染色体在位置关系上出现独立现象。

17、在一个可能的设计中，当所述至少一个专家视觉概念包含有染色体交叉概念时，针对所述多个细胞核的真实显微图像中的某个真实显微图像，根据对应的染色体识别结果进行染色体位置分析，得到对应的且在所述染色体交叉概念上的统计结果，包括：

18、根据所述某个真实显微图像的染色体识别结果，统计得到在该染色体识别结果中的且满足如下条件的染色体对数：

19、max(ax0,bx0)＜＝min(ax1,bx1)且max(ay0,by0)＜＝min(ay1,by1)

20、式中，(ax0,ay0)表示在该染色体识别结果中第一染色体的标记框左下角顶点坐标，(ax1,ay1)表示所述第一染色体的标记框右上角顶点坐标，(bx0,by0)表示在该染色体识别结果中第二染色体的标记框左下角顶点坐标，(bx1,by1)表示所述第二染色体的标记框右上角顶点坐标。

21、在一个可能的设计中，当所述至少一个专家视觉概念包含有染色体交叉概念和染色体独立概念时，针对所述多个细胞核的真实显微图像中的某个真实显微图像，根据专家视觉评分规则和对应的染色体分布情况描述信息，得到对应的图像评分，包括：

22、根据所述某个真实显微图像的染色体分布情况描述信息，按照如下公式计算得到图像评分p：

23、p＝(p×a)+(q×b)或p＝(bλcopλm)×(p×a)

24、式中，p表示在所述专家视觉评分规则中的且针对所述染色体交叉概念而预设的评分系数，a表示在所述染色体交叉概念上的统计结果，q表示在所述专家视觉评分规则中的且针对所述染色体独立概念而预设的评分系数，b表示在所述染色体独立概念上的统计结果，m表示在所述专家视觉评分规则中的且针对所述染色体独立概念而预设的目标统计值，λcopλ表示比较运算符。

25、第二方面，提供了一种染色体图像可解释评估选取装置，包括有依次通信连接的图像获取模块、识别处理模块、分析处理模块、图像评分模块和图像选取模块；

26、所述图像获取模块，用于获取多个细胞核的真实显微图像；

27、所述识别处理模块，用于对各个所述真实显微图像分别进行染色体识别处理，得到各个所述真实显微图像的染色体识别结果，其中，所述染色体识别结果包含有识别出的至少一个染色体以及各个染色体的图中所在位置；

28、所述分析处理模块，用于针对各个所述真实显微图像，根据对应的染色体识别结果进行染色体位置分析，得到对应的染色体分布情况描述信息，其中，所述染色体分布情况描述信息包含有在至少一个专家视觉概念上所得的统计结果，所述专家视觉概念是指在染色体专家对染色体进行核型分析时所采用的且用于评估图像好坏程度的染色体位置概念；

29、所述图像评分模块，用于针对各个所述真实显微图像，根据专家视觉评分规则和对应的染色体分布情况描述信息，得到对应的图像评分，其中，所述专家视觉评分规则是指在染色体专家对染色体进行核型分析时所采用的且基于所述至少一个专家视觉概念来评估图像好坏程度的图像评分规则；

30、所述图像选取模块，用于按照图像评分从高至低顺序依次排列所述多个细胞核的真实显微图像，得到图像序列，并根据预设的图像选取数量k，将所述图像序列中的前k个真实显微图像作为图像选取结果。

31、第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的染色体图像可解释评估选取方法。

32、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的染色体图像可解释评估选取方法。

33、第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的染色体图像可解释评估选取方法。

34、上述方案的有益效果：

35、(1)本发明创造性提供了一种基于专家视觉概念和专家视觉评分规则的染色体图像选取新方案，即在先对细胞核内物质的真实显微图像进行染色体识别处理，得到染色体识别结果，然后根据染色体识别结果进行染色体位置分析，得到在至少一个专家视觉概念上所得的统计结果，然后根据专家视觉评分规则和该统计结果得到图像评分，最后按照图像评分从高至低顺序确定前若干个真实显微图像为图像选取结果，如此不但可使选取过程具有可解释性，还可相比较于传统深度学习分类技术，既无需依赖样本，又能够更加准确地对中期图进行有目的选取，利于降低后续核型分析难度；

36、(2)由于是以理解图像中各目标的位置和相互关系为基础，再结合专家规则实现推理评估，因此具备可解释性高、灵活性高、对样本依赖度低和正确率高等优点，解决了目前染色体核型分析中缺少专门的选图方法，或者选图方法缺乏可解释性、正确率低、不够灵活以及对图像无法做到理解等问题，便于实际应用和推广。