李建明 1,2,3 , 陈斌 2,3 , 孙晓飞 1,2,3 , 冯涛 1,2,3 , 张跃飞 1,2,3
  • 1. 中国科学院 成都计算机应用研究所(成都 610041);
  • 2. 中国科学院大学(北京 100049);
  • 3. 中科院广州电子技术有限公司(广州 510070);
导出 下载 收藏 扫码 引用

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。

引用本文: 李建明, 陈斌, 孙晓飞, 冯涛, 张跃飞. 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. 生物医学工程学杂志, 2021, 38(1): 122-130. doi: 10.7507/1001-5515.201912029 复制

  • 上一篇

    靶向猪基因组单链向导RNA快速筛选以及利用图案微阵列收获单克隆细胞的研究
  • 下一篇

    穿戴式随行监护系统心电信号质量评价研究