一种基于大尺寸图像的染色体分割方法与流程

本发明涉及人工智能领域，尤其涉及一种基于大尺寸图像的染色体分割方法。

背景技术：

1、在生物医学研究中，染色体分割是识别、分析染色体结构和功能的关键步骤。传统的染色体分割方法往往基于图像预处理、阈值设定、区域生长等步骤，这些方法对于大尺寸图像的分割效果并不理想，且易受图像噪声、光照不均等因素影响。

2、近年来，深度学习在图像处理领域取得了显著的成果，尤其是卷积神经网络在图像分类、目标检测、语义分割等方面表现出优异的性能。然而，现有的深度学习染色体分割方法主要针对小尺寸图像，当应用于大尺寸图像时，存在计算效率低下、内存消耗大等问题。

技术实现思路

1、本发明的目的在于提供一种解决或部分解决上述技术问题的基于大尺寸图像的染色体分割方法。

2、为实现上述目的，本发明提供如下技术方案：一种基于大尺寸图像的染色体分割方法，包括训练过程和推理过程，所述推理过程包括以下步骤：

3、s11、根据预设尺寸确定子图的尺寸，并以该尺寸作为取图框的尺寸；

4、s12、按设定的步长从输入图像上左上角开始依次移动所述取图框，取每一步所述取图框所涵盖的图像作为子图，所述步长需确保相邻的所述子图有重叠区域、且所述输入图像中的每条染色体至少完整地出现在其中一所述子图上；

5、s13、通过分类网络对所述子图进行分类，判断其中是否存在完整的染色体，对于存在完整染色体的所述子图分为正类，其他均分为负类；所述分类网络为密集卷积神经网络，其中的全连接层用可训练的张量回归层替代；所述张量回归层的函数为：，其中，为张量的模n+1展开，是权重张量，且，为数据集的类别数目，代表一个空间；表示的向量化，是卷积层输出的n阶特征张量，且；为偏置向量，n是阶数；

6、s14、通过图像增强网络对分为正类的所述子图进行图像增强，以加强染色体的特征和细节；

7、s15、通过分割网络对所述增强网络增强后的所述子图进行分割，获取其中完整的染色体的单独图像；

8、s16、将所述子图的分割结果进行合并，依据每个所述子图在原图中的位置信息，将所述子图进行拼接或叠加，得到完整图像的分割结果；

9、所述训练过程包括以下步骤：

10、s21、对输入图像进行人工标注，标出其中的染色体的轮廓；

11、s22、根据预设尺寸确定子图的尺寸，并以该尺寸作为取图框的尺寸；

12、s23、按设定的步长从输入图像上左上角开始依次移动所述取图框，取每一步所述取图框所涵盖的图像作为子图，所述步长需确保相邻的所述子图有重叠区域、且所述输入图像中的每条染色体至少完整地出现在其中一所述子图上；

13、s24、通过分类网络对所述子图进行分类，判断其中是否存在完整的染色体，对于存在完整染色体的所述子图分为正类，其他均分为负类；

14、s25、通过图像增强网络对分为正类的所述子图进行图像增强，以加强染色体的特征和细节；所述图像增强网络通过以下方式训练：对分为正类的所述子图进行下采样，以获取低分辨率的下采样图像；将所述下采样图像及对应的所述子图作为成对数据集训练所述图像增强网络；训练过程中，使用预训练权重对所述图像增强网络进行微调，以提高其图像增强效果；

15、s26、通过分割网络对所述图像增强网络图像增强后的所述子图进行分割，获取其中完整的染色体的单独图像。

16、优选的，所述分割网络是包括simam模块和dice损失函数的yolov8网络；其中，所述simam模块添加了无参数注意力机制。

17、优选的，所述simam模块的输入输出公式为：，其中为输出，为输入，能量矩阵为能量在所有通道和维度的汇总；能量满足：，其中，均值，方差，为输入中的元素，表示神经元，为平衡系数，m为x中元素的总个数，i为变量。

18、优选的，所述dice损失函数的求解公式为：，其中，为真实边界框，为预测的边界框。

19、优选的，所述张量回归层对权重张量施加低秩分解，以降低训练参数的个数。

20、优选的，所述张量回归层对权重张量施加cp分解，其函数为：，其中，，为张量的cp分解的因子矩阵，为kr积。

21、优选的，所述增强网络为增强型超分辨率网络，加强染色体的特征和细节以提高分割模型的性能。

22、优选的，所述步长满足相邻所述子图的重叠区域大于等于所述子图面积的20%。

23、本发明的优点是：

24、采用深度学习技术，利用切图、分类模型以及分割模型能够自动、准确地从大尺寸图像中识别并分割出染色体；

25、通过图像增强模块和修改分割网络结构和损失函数，进一步优化了分割结果，提高了染色体分割的准确率；

26、系统设计灵活，可针对不同类型的大尺寸染色体图像进行优化调整；

27、使用张量回归层代替分类模型中的全连接层，训练速度得到了显著提升，降低了计算资源和时间的消耗。

技术特征：

1.一种基于大尺寸图像的染色体分割方法，包括训练过程和推理过程，其特征在于，所述推理过程包括以下步骤：

2.根据权利要求1所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述分割网络是包括simam模块和dice损失函数的yolov8网络；其中，所述simam模块添加了无参数注意力机制。

3.根据权利要求2所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述simam模块的输入输出公式为：

4.根据权利要求2所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述dice损失函数的求解公式为：

5.根据权利要求1所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述张量回归层对权重张量施加低秩分解，以降低训练参数的个数。

6.根据权利要求5所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述张量回归层对权重张量施加cp分解，其函数为：

7.根据权利要求1所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述增强网络为增强型超分辨率网络，加强染色体的特征和细节以提高分割模型的性能。

8.根据权利要求1所述的一种基于大尺寸图像的染色体分割方法，其特征在于：所述步长满足相邻所述子图的重叠区域大于等于所述子图面积的20%。

技术总结
本发明公开了基于大尺寸图像的染色体分割方法，包括训练过程和推理过程，所述推理过程包括以下步骤：按设定的步长取子图；通过分类网络对所述子图进行分类；所述分类网络为密集卷积神经网络，其中的全连接层用可训练的张量回归层替代；通过分割网络对增强后的所述子图进行分割，获取其中完整的染色体的单独图像。发明的优点是：采用深度学习技术，利用切图、分类模型以及分割模型能够自动、准确地从大尺寸图像中识别并分割出染色体；使用张量回归层代替分类模型中的全连接层，训练速度得到了显著提升，降低了计算资源和时间的消耗。

技术研发人员：李娜,牛兵,朱春阳
受保护的技术使用者：笑纳科技（苏州）有限公司
技术研发日：
技术公布日：2024/1/16