基于transformer的唐氏综合症筛选方法、装置、设备及存储介质
技术领域
1.本技术属于医学筛查方法技术领域,具体涉及基于transformer的唐氏综合症筛选方法、装置、设备及存储介质。
背景技术:2.唐氏综合症又称21-三体综合症或先天愚型(down's syndrome,ds),是造成智力发展障碍的最常见的先天缺陷,其发生具有偶然性、随机性,发生率会随孕妇年龄的增大而升高,该病目前没有有效的治疗方法,因此,在怀孕期间进行产前筛查是必要的。
3.传统的唐氏综合症的筛查方法,包括:在常规临床工作流程中,通常是使用显微镜来观察染色体数目和形态,以对唐氏综合症等遗传疾病的进行筛查。
4.然而,通过显微镜观察染色体的方式来筛选,对医护人员的专业要求较高,操作复杂且耗时长,导致筛选效率较低的问题。
技术实现要素:5.本技术提供了基于transformer的唐氏综合症筛选方法、装置、设备及存储介质,可以解决筛选效率较低的问题。本技术提供如下技术方案:
6.第一方面,提供了一种基于transformer的唐氏综合症筛选方法,所述方法包括:将用于筛选的染色体图像输入预设的transformer分割模型,对所述染色体图像中的单条染色体进行分割,得到染色体子块;所述 transformer分割模型为two-stage结构的模型;对所述染色体子块进行对齐处理,得到单条染色体图像;将所述单条染色体图像输入预设的 transformer分类模型,对所述单条染色体图像进行分类预测,得到预测分类结果;基于所述预测分类结果进行染色体筛选,得到染色体指示结果。
7.可选地,所述对所述染色体图像中的单条染色体进行分割,得到若干个染色体子块,包括:通过所述transformer分割模型对所述染色体图像进行特征识别,识别出所述染色体图像中的单体染色体;预测得到每条单条染色体对应的边界框;按照所述边界框进行遮罩处理,得到所述染色体子块。
8.可选地,所述通过所述transformer分隔模型对所述染色体子块进行对齐处理,得到单体染色体图像,包括:将所述染色体子块旋转,以将所述染色体子块中的染色体摆正;基于所述染色体子块中的染色体的边缘轮廓对所述染色体子块的掩膜区域进行裁剪,得到所述单条染色体图像。
9.可选地,所述将用于筛选的染色体图像输入预设的transformer分割模型之前,还包括:获取预训练的模型参数;将所述模型参数加载到预设transformer模型中;构建染色体图像分割训练集;基于所述染色体图像分割训练集对预设transformer模型进行训练,得到所述transformer 分割模型。
10.可选地,所述染色体图像分割训练集包括训练集、验证集、测试集和标记文件;所
述构建染色体图像分割训练集,包括:获取预设染色体数据集,包括分割数据集和分类数据集;所述分割数据集中的图像样本与所述图像样本在所述分类数据集中对应的样本的标记相同;将所述预设染色体数据集中的样本图像对应的边界框信息和掩膜区域信息写入所述标记文件中;在所述分类数据集中确定出预设比例的样本;基于所述预设比例的样本生成t21染色体样本;将所述分割数据集和所述分类数据集划分成所述训练集、所述验证集和所述测试集。
11.可选地,所述预设染色体数据集包括g-band数据集、q-band数据集或者m-fish数据集。
12.可选地,所述预测分类结果包括预测的24种染色体分类;所述基于所述预测分类结果进行染色体筛选,得到染色体指示结果包括:在所述 24种染色中进行筛选确定预测的21号染色体数目;基于所述21号染色体的数量确定所述染色体指示结果;所述染色体指示结果d为:
[0013][0014]
其中,n
21
为所述预测的21号染色体数目。
[0015]
第二方面,提供一种基于transformer的唐氏综合症筛选装置,其特征在于,所述装置包括:
[0016]
分割模块,用于将用于筛选的染色体图像输入预设的transformer分割模型,对所述染色体图像中的单条染色体进行分割,得到预设数量的染色体子块;所述transformer分割模型为two-stage结构的模型;
[0017]
对齐模块,用于对所述染色体子块进行对齐处理,得到预设数量的单体染色体图像;
[0018]
分类模块,将所述预设数量的单条染色体图像输入预设的 transformer分类模型,对所述单条染色体图像进行分类预测,得到预测分类结果;
[0019]
指示模块,用于基于所述预测分类结果进行染色体筛选,得到染色体指示结果。
[0020]
第三方面,提供一种电子设备,包括存储器、控制器以及存储在存储器上并可在控制器上运行的计算机程序,所述控制器执行所述计算机程序时实现上述基于transformer的唐氏综合症筛选方法的步骤。
[0021]
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的基于 transformer的唐氏综合症筛选控制方法。
[0022]
本技术的有益效果至少包括:通过将用于筛选的染色体图像输入预设的transformer分割模型,对染色体图像中的单条染色体进行分割,得到染色体子块;transformer分割模型为two-stage结构的模型;对染色体子块进行对齐处理,得到单条染色体图像;将单条染色体图像输入预设的 transformer分类模型,对单条染色体图像进行分类预测,得到预测分类结果;基于预测分类结果进行染色体筛选,得到染色体指示结果。可以筛选效率较低问题。将染色体图像输入transformer分割模型中,以分割出染色体图像中的单条染色体,将分割结果输入transformer分类模型对分割结果分类,再根据分类结果指示,无需使用显微镜观察染色体,因此,可以提高筛选效率。
[0023]
另外,transformer分割模型和transformer分类模型为经过迁移学习得到的模
型,使基于transformerer的网络能够共享从源域(例如imagenet数据集)学习到的权值,并利用目标域(例如bioimlab数据集)有限的标记数据优化权值,并通过构建染色体图像分割训练集对transformer模型进行训练,得到transformer分割模型将,这样,可以提高筛选的准确性。
[0024]
另外,transformer分割模型为two-stage结构的模型,在分割过程中,在提取出图像的特征之后,会在另外一条单独的流程里预测及修正图像中物体的备选框,而不是提取图像特征后直接分割,这样,可以提高分割的准确性。
附图说明
[0025]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0026]
图1是本技术一个实施例提供的基于transformer的唐氏综合症筛选方法的流程图;
[0027]
图2是本技术一个实施例提供的待筛选的染色体图像的示意图;
[0028]
图3是本技术一个实施例提供的预测边界框后的染色体图像的示意图;
[0029]
图4是本技术一个实施例提供的模型结构示意图;
[0030]
图5是本技术一个实施例提供的transformer分类模型的分类结果的示意图;
[0031]
图6是本技术一个实施例提供的预测结果的混淆矩阵;
[0032]
图7是本技术一个实施例提供的基于transformer的唐氏综合症筛选方法装置的框图;
[0033]
图8是本技术一个实施例提供的电子设备的框图。
具体实施方式
[0034]
下面将结合附图对本技术的技术方案进行清楚、完整地描述,显然,所描述的实施例是本技术一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本技术。需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互组合。
[0035]
需要说明的是,本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
[0036]
在申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本发明。
[0037]
下面对本技术中的名词进行解释。
[0038]
swin transformer:是一个完全基于注意力机制的简单网络,它由一个编码器和解码器组成。注意机制使网络能够为兴趣上下文添加更多权重,实现更高的性能和更低的参数成本。
[0039]
唐氏综合症(down syndrome,ds),也被称为21三体综合症,是一种由额外的21号染色体引起的严重遗传疾病。其典型症状包括精神残疾、身体异常和心脏疾病。染色体核型分析广泛应用于唐氏综合症等遗传疾病的产前筛查和诊断。
[0040]
下面对本技术提供的基于transformer的唐氏综合症筛选方法进行详细介绍。
[0041]
本实施例提供一种基于transformer的唐氏综合症筛选方法,如图1所示。该方法至少包括以下几个步骤:
[0042]
步骤101,将用于筛选的染色体图像输入预设的transformer分割模型,对染色体图像中的单条染色体进行分割,得到染色体子块。
[0043]
其中,transformer分割模型为two-stage结构的模型。通过该two-stage 结构的模型对输入的染色体图像先进行特征识别,得到染色体图像中的单条染色体后,再预测得到每条染色体的边界框。
[0044]
具体地,对染色体图像中的单条染色体进行分割,得到预设数量的染色体子块,包括:通过transformer分割模型对染色体图像进行特征识别,识别出染色体图像中的单体染色体;预测得到每条单条染色体对应的边界框;基于边界框进行遮罩处理,得到染色体子块。
[0045]
比如:参考图2至图3,将图2所示的染色体图像输入至transformer 分割模型中,预测得到每条染色体对应的边界框(参考图3),按照预测得到的边界框单独对每条染色体进行遮罩处理,得到染色体子块。
[0046]
基于深度学习的图像分割技术可分为一级路线(one-stage)和两级路线(two-stage)。其中,一级路线(one-stage)是指提取出图像的特征后直接在图像上预测出图像中的预测物体的备选框(包括预测物体的位置和边缘);两级路线则是在提取出图像的特征后,在另外一条单独的流程里预测及修正图像中物体的备选框。
[0047]
基于此,本实施例中,基于模型级策略和迁移学习机制设计了分割和分类2个模块,使基于transformer的网络能够共享从源域(例如imagenet 数据集)学习到的权值,并利用目标域(例如bioimlab数据集)有限的标记数据优化权值,并通过构建染色体图像分割训练集对transformer模型进行训练,得到transformer分割模型。
[0048]
具体地,将用于筛选的染色体图像输入预设的transformer分割模型之前,还包括:获取预训练的模型参数;将模型参数加载到预设transformer 模型中;构建染色体图像分割训练集;基于染色体图像分割训练集对预设 transformer模型进行训练,得到transformer分割模型。
[0049]
其中,染色体图像分割训练集包括训练集、验证集、测试集和标记文件。
[0050]
本实施例中,可以按照一定比例在染色体图像分割训练集中划分出训练集、验证集和测试集。训练集、验证集和测试集在染色体图像分割训练集中占的比例可以相同或不同。
[0051]
在一个示例中,训练集在染色体图像分割训练集中所占比例为85%,相应地,验证集所占比例为5%,测试集所占比例为15%。
[0052]
在另一个示例中,训练集在染色体图像分割训练集中所占比例为80%,相应地,验证集所占比例为10%,测试集所占比例为10%。
[0053]
本实施例不对训练集、验证集和测试集在染色体图像分割训练集中所占的比例作
限定。
[0054]
具体地,构建染色体图像分割训练集,包括:获取预设染色体数据集,包括分割数据集和分类数据集;分割数据集中的图像样本与图像样本在分类数据集中对应的样本的标记相同;将预设染色体数据集中的样本图像对应的边界框信息和掩膜区域信息写入标记文件中;在分类数据集中确定出预设比例的样本;基于预设比例的样本生成t21染色体样本;将分割数据集和分类数据集划分成所述训练集、验证集和测试集。
[0055]
其中,预设染色体数据集包括g-band数据集、q-band数据集或者 m-fish数据集。
[0056]
比如:以预设染色体数据集为q-band数据集为例,该染色体数据集包含163张图片,但不包含唐氏综合症病例,因此,可以从分类数据集中随机选取25%的样本,在其中多拷贝1条21号染色体使其成为t21样本,并从对应的染色体核型图中选取一条21号染色体粘贴到显微镜图像中用于分割训练时的输入图像。
[0057]
实际实现时,预设染色体数据集也可以是其它已公开的染色体数据集,也可以是用户自定义的未公开的染色体数据集,本实施例不对预设染色体数据集的实现方式作限定。
[0058]
本实施例中,预设比例为预先设置的t21染色体样本在分类数据集中所占的比例,该比例可以为25%、或者30%等,本实施例不对预设比例的值作限定。
[0059]
步骤102,对染色体子块进行对齐处理,得到预设数量的单体染色体图像。
[0060]
本实施例中,通过对染色体子块进行对齐处理,以边界框的边缘能够根据像素至更贴近染色体子块中的染色体的边缘轮廓。
[0061]
具体地,对所述染色体子块进行对齐处理,得到预设数量的单体染色体图像,包括:将所述染色体子块旋转,以将所述染色体子块中的染色体摆正;基于所述染色体子块中的染色体的边缘轮廓对所述染色体子块进行裁剪,得到所述单条染色体图像。
[0062]
另外,即使是在对染色体图像分割的过程中分割错,导致将两段染色体各取了一部分并当成一个,也还是当作单条染色体来处理。
[0063]
步骤103,将预设数量的单条染色体图像输入预设的transformer分类模型,对单条染色体图像进行分类预测,得到预测分类结果。
[0064]
如图4所示,本实施例中,对单条染色体图像进行分类预测在本地窗口之间进行,以加快性能。在attn1、attn2和ffn模块之前应用层间范化 (layer norm),在attn1、attn2和ffn之后有残留连接。attn1是只在修补过的(4x 4)窗口内进行计算的多头自注意。attn2通过将窗口移动到右下角的一个像素来扩展attn1。ffn模块由两个线性层组成。四个级的输出通道分别为96、192、384和768。最后,第4阶段的输出由范化层(norm layer)、平均池化(average polling layer)和全连接(fully connected layer)实现,输出从1到24的预测类。
[0065]
本实施例中,由于transformer分类模型的结构和训练过程与 transformer分割模型的结构和训练过程相同,此处不再赘述。
[0066]
本实施例中,将单条染色体图像输入transformer分类模型中,以对单条染色体图像进行特征提取,得到每张单条染色体图像的图像特征,根据该图像特征进行分类预测。
[0067]
将预设数量的单条染色体图像输入transformer分类模型后,经过 transformer分类模型的分类预测得到如图5所示的分类预测结果。
[0068]
步骤104,基于预测分类结果进行染色体筛选,得到染色体指示结果。
[0069]
其中,预测分类结果包括预测的24种染色体分类。
[0070]
本实施例中,通过使用transformer分割模型对染色体图像分割的基础上,对分割出的单条染色体图像做进一步处理,即,通过transformer分类模型对分割出单条染色体进行分类,并对分类后的单条染色体进行筛选,确定分类为21号染色体的数目,通过21号染色体的数目对唐氏综合症进行筛选。
[0071]
具体地,基于预测分类结果进行染色体筛选,得到染色体指示结果包括:在24种染色中进行筛选确定预测的21号染色体数目;基于21号染色体的数量确定染色体指示结果;染色体指示结果d为:
[0072][0073]
其中,n
21
为所述预测的21号染色体数目。
[0074]
由染色体指示结果d对应的公式可知,在本实施例中,在分类为21号的染色体数目大于2的情况下,染色体指示结果d的值为1;在分类为21 号的染色体数目小于或等于2的情况下,染色体指示结果d的值为0。
[0075]
本实施例中,若染色体指示结果d的值为1,则染色体指示结果d指示为患有唐氏综合症;若染色体指示结果d的值为0,则染色体指示结果d 指示为未患有唐氏综合症。
[0076]
综上所述,本实施例提供的基于transformer的唐氏综合症筛选方法,将用于筛选的染色体图像输入预设的transformer分割模型,对染色体图像中的单条染色体进行分割,得到染色体子块;transformer分割模型为 two-stage结构的模型;对染色体子块进行对齐处理,得到单条染色体图像;将单条染色体图像输入预设的transformer分类模型,对单条染色体图像进行分类预测,得到预测分类结果;基于预测分类结果进行染色体筛选,得到染色体指示结果。可以筛选效率较低问题。将染色体图像输入transformer 分割模型中,以分割出染色体图像中的单条染色体,将分割结果输入 transformer分类模型对分割结果分类,再根据分类结果指示,无需使用显微镜观察染色体,因此,可以提高筛选效率。
[0077]
另外,transformer分割模型和transformer分类模型为经过迁移学习得到的模型,使基于transformer的网络能够共享从源域(例如imagenet数据集)学习到的权值,并利用目标域(例如bioimlab数据集)有限的标记数据优化权值,并通过构建染色体图像分割训练集对transformer模型进行训练,得到transformer分割模型将,这样,可以提高筛选的准确性。
[0078]
另外,transformer分割模型为two-stage结构的模型,在分割过程中,在提取出图像的特征之后,会在另外一条单独的流程里预测及修正图像中物体的备选框,而不是提取图像特征后直接分割,这样,可以提高分割的准确性。
[0079]
在一个示例中,对基于transformer的唐氏综合症筛选方法进行仿真实验。在本实施例的仿真实验中,阳例的数目为36,即,16个样本中21号染色体的数目为36;阴例的数目为704,即,非21号的染色体的数目为704;所有染色体的总数为740条。
[0080]
本实施例中,选取另外两个现有的模型,即,resnet-50(表一中简称 res)模型和se-resnext-50(表一中简称se)模型,与本实施例提供的 two-stage结构的transformer分割模型和transformer分类模型(表一中简称swin)进行仿真实验比较,参考图6,图6为预测
结果的混淆矩阵。得到的实际对比结果,如表一所示。
[0081]
表一:
[0082][0083]
表一中,“on classification test set”是在分类数据集的测试集上预测结果;“on segment output”是在分割数据集的测试集的分割结果的预测结果。
[0084]
从表一可以看出,本实施例中的经过迁移学习的two-stage的结构的 transformerer分割模型和transformerer分类模型的效果最好,能有效地判断个案是否正常,从而减低假阴性个案的可能性。
[0085]
本实施例提供一种基于transformer的唐氏综合症筛选装置,如图7所示。该装置包括至少以下几个模块,分割模块710、对齐模块720、分类模块730和指示模块740。
[0086]
分割模块710,用于将用于筛选的染色体图像输入预设的transformer 分割模型,对染色体图像中的单条染色体进行分割,得到预设数量的染色体子块;transformer分割模型为two-stage结构的模型;
[0087]
对齐模块720,用于对染色体子块进行对齐处理,得到预设数量的单体染色体图像;
[0088]
分类模块730,将预设数量的单条染色体图像输入预设的transformer 分类模型,对单条染色体图像进行分类预测,得到预测分类结果;
[0089]
指示模块740,用于基于预测分类结果进行染色体筛选,得到染色体指示结果。
[0090]
相关细节参考上述方法和设备实施例。
[0091]
需要说明的是:上述实施例中提供的基于transformer的唐氏综合症筛选装置在进行唐氏综合症筛选时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于transformer的唐氏综合症筛选装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于transformer的唐氏综合症筛选装置与基于transformer的唐氏综合症筛选方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
[0092]
本实施例提供一种电子设备,如图8所示。该电子设备至少包括处理器801和存储器802。
[0093]
处理器801可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器801可以采用dsp(digital signal processing,数字信号处理)、fpga(field-programmable gate array,现场可编程门阵列)、 pla(programmable logic array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器,
主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称cpu(central processing unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以在集成有gpu(graphics processingunit,图像处理器),gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还可以包括ai(artificial intelligence,人工智能)处理器,该ai处理器用于处理有关机器学习的计算操作。
[0094]
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本技术中方法实施例提供的基于transformer的唐氏综合症筛选方法。
[0095]
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器801、存储器802和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
[0096]
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
[0097]
可选地,本技术还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的基于transformer的唐氏综合症筛选方法。
[0098]
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
[0099]
以上所述实施例仅表达了本技术的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本技术构思的前提下,还可以做出若干变形和改进,这些都属于本技术的保护范围。因此,本技术专利的保护范围应以所附权利要求为准。
技术特征:1.一种基于transformer的唐氏综合症筛选方法,其特征在于,所述方法包括:将用于筛选的染色体图像输入预设的transformer分割模型,对所述染色体图像中的单条染色体进行分割,得到染色体子块;所述transformer分割模型为two-stage结构的模型;对所述染色体子块进行对齐处理,得到单条染色体图像;将所述单条染色体图像输入预设的transformer分类模型,对所述单条染色体图像进行分类预测,得到预测分类结果;基于所述预测分类结果进行染色体筛选,得到染色体指示结果。2.根据权利要求1所述的方法,其特征在于,所述对所述染色体图像中的单条染色体进行分割,得到若干个染色体子块,包括:通过所述transformer分割模型对所述染色体图像进行特征识别,识别出所述染色体图像中的单体染色体;预测得到每条单条染色体对应的边界框;按照所述边界框进行遮罩处理,得到所述染色体子块。3.根据权利要求1所述的方法,其特征在于,所述通过所述transformer分隔模型对所述染色体子块进行对齐处理,得到单体染色体图像,包括:将所述染色体子块旋转,以将所述染色体子块中的染色体摆正;基于所述染色体子块中的染色体的边缘轮廓对所述染色体子块的掩膜区域进行裁剪,得到所述单条染色体图像。4.根据权利要求1所述的方法,其特征在于,所述将用于筛选的染色体图像输入预设的transformer分割模型之前,还包括:获取预训练的模型参数;将所述模型参数加载到预设transformer模型中;构建染色体图像分割训练集;基于所述染色体图像分割训练集对预设transformer模型进行训练,得到所述transformer分割模型。5.根据权利要求4所述的方法,其特征在于,所述染色体图像分割训练集包括训练集、验证集、测试集和标记文件;所述构建染色体图像分割训练集,包括:获取预设染色体数据集,包括分割数据集和分类数据集;所述分割数据集中的图像样本与所述图像样本在所述分类数据集中对应的样本的标记相同;将所述预设染色体数据集中的样本图像对应的边界框信息和掩膜区域信息写入所述标记文件中;在所述分类数据集中确定出预设比例的样本;基于所述预设比例的样本生成t21染色体样本;将所述分割数据集和所述分类数据集划分成所述训练集、所述验证集和所述测试集。6.根据权利要求5所述的方法,其特征在于,所述预设染色体数据集包括g-band数据集、q-band数据集或者m-fish数据集。7.根据权利要求1所述的方法,其特征在于,所述预测分类结果包括预测的24种染色体分类;所述基于所述预测分类结果进行染色体筛选,得到染色体指示结果包括:
在所述24种染色中进行筛选确定预测的21号染色体数目;基于所述21号染色体的数量确定所述染色体指示结果;所述染色体指示结果d为:其中,n
21
为所述预测的21号染色体数目。8.一种基于transformer的唐氏综合症筛选装置,其特征在于,所述装置包括:分割模块,用于将用于筛选的染色体图像输入预设的transformer分割模型,对所述染色体图像中的单条染色体进行分割,得到染色体子块;所述transformer分割模型为two-stage结构的模型;对齐模块,用于对所述染色体子块进行对齐处理,得到单条染色体图像;分类模块,用于将所述单条染色体图像输入预设的transformer分类模型,对所述单条染色体图像进行分类预测,得到预测分类结果;指示模块,用于基于所述预测分类结果进行染色体筛选,得到染色体指示结果。9.一种电子设备,其特征在于,所述电子设备包括:处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一所述的基于transformer的唐氏综合症筛选方法。10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一所述的基于transformer的唐氏综合症筛选方法。
技术总结本申请属于医学筛查方法技术领域,具体涉及基于Transformer的唐氏综合症筛选方法、装置、设备及存储介质,包括:将用于筛选的染色体图像输入预设的Transformer分割模型,对染色体图像中的单条染色体进行分割,得到染色体子块;Transformer分割模型为Two-Stage结构的模型;对染色体子块进行对齐处理,得到单条染色体图像;将单条染色体图像输入预设的Transformer分类模型,对单条染色体图像进行分类预测,得到预测分类结果;基于预测分类结果进行染色体筛选,得到染色体指示结果。可以筛选效率较低问题。筛选效率较低问题。筛选效率较低问题。
技术研发人员:王成玉 马飞 苏炯龙 孟佳
受保护的技术使用者:西交利物浦大学
技术研发日:2022.10.24
技术公布日:2023/1/6