本发明涉及医学图像处理，特别涉及一种基于深度学习的染色体图像旋转摆正处理方法。
背景技术：
1、染色体核型分析是对染色体的形态、数量和结构进行研究和分析的过程，通常通过对染色体在显微镜下的形态和结构进行观察和测量，以及对染色体图像的处理和分析来实现。染色体核型分析过程中，从显微镜下染色体图像中分离出单个染色图像，将单个染色图像旋转摆正为竖直方向后进行排布，统一染色体的观察方向，便于对染色体的形态和结构进行准确的观察、测量和比较。
2、目前，染色体旋转摆正技术通常是通过传统图像算法进行实现，结合申请号为cn202211264196.6中公开的基于深度学习卷积神经网络的人类染色体图像摆正方法，其处理对象为有着丝粒连接的两条染色单体，通过特征提取算法，获取染色体的特征点，如着丝粒或几何中心或染色体臂上关键点，选定旋转轴，对染色体进行旋转摆正；其存在的缺陷在于：
3、a.要基于对关键点进行标注后才能进行训练，标注成本难度大；尤其在复杂环境以及干扰情况下，模型的训练集数据获取难度更大，也就是染色体图像中的特征关键点识别困难，影响准确度；
4、b.在特征点识别及角度确定过程中，所涉及的模型参数多，需要结合模型参数进行大量的计算，导致模型推理运算较慢，处理效率得不到保障；
5、c.模型参数中涉及的数据量少，导致最终旋转角度的准确度还有提升空间。
6、基于现有技术中的问题，本发明提供一种基于深度学习的染色体图像旋转摆正处理方法。
技术实现思路
1、本发明目的是：提供一种基于深度学习的染色体图像旋转摆正处理方法，以解决现有技术中，传统特征提取算法识别染色体并获得旋转角度的过程，图像处理速度慢，计算量大的技术问题。
2、本发明的技术方案是：一种基于深度学习的染色体图像旋转摆正处理方法，包括：
3、将获取的染色体图像人工摆正并分类，获得图像样本集d；
4、对图像样本集d中的单个样本图像分别进行若干次随机旋转，记录图像中的染色体类别和每次对应的旋转角度，染色体的图像、染色体的类别以及对应图像的旋转角度一一对应，并构成包含三种信息的数据标签，所有样本图像的数据标签组合构成染色体旋转摆正模型的初始数据集c；
5、对初始数据集c中每组数据标签的数据信息进行预处理，获取模型训练集b；
6、构建深度卷积网络，将模型训练集b作为输入并结合损失函数迭代训练深度卷积网络，获取成熟的预测模型；
7、将经过相同预处理后的待测染色体图像和对应的染色体类别输入预测模型，按照预测模型输出的预测旋转角度，对待测染色体图像执行旋转操作，摆正染色体图像。
8、优选的，对图像样本集d中的单个图像进行随机旋转，旋转角度范围为0-180°，设定旋转范围，按照设定范围得到对应图像，从而获取一组数据标签，每一单个图像能够在旋转角度范围内获取多组数据标签，以丰富图像样本集d。
9、优选的，获取成熟的预测模型的过程：
10、确定深度卷积神经网络框架，通过模型训练集b训练选择的卷积神经网络；
11、通过图像旋转角度回归任务的损失函数计算神经网络模型的预测结果与输入数据之间的误差，基于误差结果，对神经网络模型进行迭代训练，以优化神经网络模型中的权重参数，获取成熟的预测模型；
12、其中，损失函数采用均方差损失函数，表示为，；
13、其中，是染色体图像的实际旋转角度标签，是模型对染色单体图像旋转角度的预测值，n是样本数量；
14、通过预测误差，转化获得预测模型的最佳性能指标。
15、优选的，对数据标签的数据信息进行预处理，操作内容包括：
16、对于染色体图像，调整图像大小为统一标准，并转为灰度图，再将图像像素值进行归一化；
17、将旋转角度由角度制转化为弧度制表示。
18、优选的，染色体旋转摆正的规范为：将所有染色体图像旋转呈竖直状态，若染色体存在弯曲情况，则凹口朝外，凸出向内，染色体短臂向上，长臂向下。
19、优选的，摆正染色体图像，将同类别的染色体，构成成对的染色体核型图；
20、若预测模型当下遇到的染色体与同批次已预测旋转角度的染色体同类别，则：
21、按照预测模型输出的旋转角度，摆正当下染色体图像；
22、为当下染色体图像匹配已摆正的同类别染色体；
23、若当下染色体与已摆正的同类别染色体均是弯曲状态，且旋转摆正后两条染色体凹口朝向相同，则，对当下染色体图像水平镜像翻转，使得两条染色体的弯曲方向相反，整体核型图以“x”形呈现。
24、与现有技术相比，本发明的优点是：
25、（1）本发明将单条染色体（非着丝粒连接两个单体的状态）作为处理对象，基于若干次随机角度旋转，通过将染色体图像、染色体类别以及对应的旋转角度一一对应，实现初始数据集的构建，数据集获取容易，并且具有更多的训练数据量，提升训练的准确度；同时，最终的结果输出仅有预测的旋转角度信息，算法简单，模型推理运算速度更快。
26、（2）对原始染色体图像简单图像处理的基础上，训练深度卷积神经网络模型，不断迭代训练获取成熟的预测模型，预测模型能够通过端到端学习，直接从原始图像数据中学习到特征表示和旋转角度预测，无需额外设计特征提取器或者旋转角度的计算方法，降低运算量，提高图像处理速度，减少人力成本。
27、（3）以原始图像作为训练信息，模型端到端学习，能够自动学习到不同样本之间的共同特征，具备更好地泛化能力，在复杂环境或有干扰的情况下，依据习得的特征对较难识别的染色体依旧具有较好的预测性能。
28、（4）人类23对，46条染色体，全类型图像，多角度训练学习，深度学习后，能够用于不同的染色体图像，具有较强的适应性、灵活性，且具有更好的准确性。
1.一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，对图像样本集d中的单个图像进行随机旋转，旋转角度范围为0-180°，设定旋转范围，按照设定范围得到对应图像，从而获取一组数据标签，每一个图像能够在旋转角度范围内获取多组数据标签，以丰富图像样本集合d。
3.根据权利要求2所述的一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，获取成熟的预测模型的过程：
4.根据权利要求1所述的一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，对数据标签的数据信息进行预处理，操作内容包括：
5.根据权利要求1所述的一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，染色体旋转摆正的规范为：将所有染色体图像旋转呈竖直状态，若染色体存在弯曲情况，则凹口朝外，凸出向内，染色体短臂向上，长臂向下。
6.根据权利要求5所述的一种基于深度学习的染色体图像旋转摆正处理方法，其特征在于，摆正染色体图像，将同类别的染色体，构成成对的染色体核型图；
