基于分段重标定的稠密卷积神经网络的分带染色体图像类型识别

• 作者: 李建明 陈斌 孙晓飞 冯涛 张跃飞
• 来源期刊: 生物医学工程学杂志
• 关键词: 染色体识别 稠密卷积神经网络 分段重标定 染色体核型分析
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 新技术与新方法|New techniques and methods
• 页码范围: 122-130
• 页数: 9页
• 语种: 中文
• DOI: 10.7507/1001-5515.201912029

摘要

人类染色体核型分析是诊断遗传疾病的重要手段,染色体图像类型识别是分析过程的关键步骤,准确高效地识别对自动核型分析具有重大意义.本文提出了一种分段重标定的稠密卷积神经网络模型(SR-DenseNet),模型各阶段先利用稠密连接的网络层自动提取染色体不同抽象层次的特征,再用压缩激活(SE)结构对汇集了局部所有特征的层进行特征重标定,对不同特征的重要性显式地构建可学习的结构;提出了一种模型融合方法,构建了染色体识别模型专家组.在国际公开的哥本哈根染色体识别数据集(G显带)上进行了实验验证,该模型的识别错误率仅为1.60％;采用模型融合方法后,识别错误率进一步降低到0.99％.在意大利帕多瓦大学的数据集(Q显带)上,识别错误率为6.67％;模型融合后,进一步降低到5.98％.实验结果表明本文所提方法是有效的,具备实现染色体类型识别自动化的潜力.