基于卷积神经网络和几何优化的统计染色体核型分析方法

染色体核型分析是细胞遗传学研究的主要技术之一,在现代医学治疗和诊断中有重要的作用.通常在染色体核型分析的过程中,首先需要在染色体中期图像中分割出单条染色体,然后再对染色体逐一进行分析、比较、排序和分类.由于传统的基于几何及基于统计的分割和分类的辅助工具精度低,辅助作用有限,因此在实际工作中仍然需要医生花费大量的时间和精力进行人工核型分析.为此提出一种基于卷积神经网络和几何优化的染色体核型分析新方法,利用Mask R-CNN(Region-Convolutional Neural Networks)从染色体中期图像中分割出染色体,并训练一个新型多输入的卷积神经网络对分割后的单条染色体进行分类;还提出一种全新的基于局部特征的染色体分割数据合成方法对分割数据集进行扩充.此外,为了保证分类训练数据的一致性,提出一种基于中线的染色体伸直几何优化算法.实验结果表明提出的方法在自动核型分析中表现优秀.