AS-PANet:改进路径增强网络的重叠染色体实例分割

• 作者: 丁笔超 尹爱华 林成创 赵淦森 郭莉 陈汉彪
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: AS-PANet 路径增强网络 染色体分割 实例分割 染色体核型分析
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 研究应用
• 页码范围: 2271-2280
• 页数: 10页
• 分类号: TP399
• 语种: 中文

摘要

目的 染色体是遗传信息的重要载体,健康的人体细胞中包含46条染色体,包括22对常染色体和1对性染色体.染色体核型化分析是产前诊断和遗产疾病诊断的重要且常用方法.染色体核型化分析是指从分裂中期的细胞显微镜图像中,分割出染色体并根据染色体的条带进行分组排列的过程.染色体核型化分析通常由细胞学家手工完成,但是这个过程非常费时、繁琐且容易出错.由于染色体的非刚性特质,多条染色体之间存在重叠及交叉现象,致使染色体实例分割非常困难.染色体分割是染色体核型化分析过程中最重要且最困难的一步,因此本文旨在解决重叠、交叉染色体实例分割问题.方法 本文基于路径增强网络(PANet)模型,提出AS-PANet (amount segmentation PANet)模型用于解决重叠染色体实例分割问题.在路径增强网络的基础上引入染色体计数领域知识预测作为模型的一个预测分支,并改进了路径增强网络的模型结构和损失函数,使图像分类、目标检测、实例分割和染色体计数4个子任务共享卷积特征,进行联合训练.在临床染色体图像数据上进行标注并构建训练集和测试集,同时提出有效的数据增广方法用以扩充染色体标注训练数据集,提升模型的训练效果.结果 在临床染色体数据集中开展实证研究实验.实验结果表明,本文方法在临床染色体数据集中,平均分割精度mAP(mean average precision)为90.63％.该结果比PANet提升了1.18％,比基线模型Mask R-CNN提升了2.85％.分割准确率为85％,相比PANet提升了2％,相比Mask R-CNN(region with convolutional neural network)提升3.75％.结论 本文染色体实例分割方法能够更有效地解决临床染色体分割问题,相比现有的方法,分割效果更好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尹爱华		4	0	0.0	0.0
2	郭莉		5	0	0.0	0.0
3	陈汉彪		2	0	0.0	0.0
4	林成创		1	0	0.0	0.0
5	赵淦森		1	0	0.0	0.0
6	丁笔超		1	0	0.0	0.0