基于网格重构学习的染色体分类模型

染色体的分类是核型分析的重要任务之一.因其柔软易弯曲,且类间差异小、类内差异大等特点,其精准分类仍然是一个具有挑战性的难题.对此,提出一种基于网格重构学习(Grid reconstruction learning,GRiCoL)的染色体分类模型.该模型首先将染色体图像网格化,提取局部分类特征;然后通过重构网络对全局特征进行二次提取;最后完成分类.相比于现有几种先进方法,GRiCoL同时兼顾局部和全局特征提取更有效的分类特征,有效改善染色体弯曲导致的分类性能下降,参数规模合理.通过基于G带、荧光原位杂交(Fluorescence in situ hybridization,FISH)、Q带染色体...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 50; no. 10; pp. 2013 - 2021
Main Authors 张林, 易先鹏, 王广杰, 范心宇, 刘辉, 王雪松
Format Journal Article
LanguageChinese
Published 中国矿业大学地下空间智能控制教育部工程研究中心 徐州 221116 01.10.2024
中国矿业大学信息与控制工程学院 徐州 221116%中国矿业大学信息与控制工程学院 徐州 221116
Subjects
网格化
gridding
Karyotype analysis
染色体分类
核型分析
特征重构
chromosome classification
feature reconstruction
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c210303

Cover

More Information
Summary:染色体的分类是核型分析的重要任务之一.因其柔软易弯曲,且类间差异小、类内差异大等特点,其精准分类仍然是一个具有挑战性的难题.对此,提出一种基于网格重构学习(Grid reconstruction learning,GRiCoL)的染色体分类模型.该模型首先将染色体图像网格化,提取局部分类特征;然后通过重构网络对全局特征进行二次提取;最后完成分类.相比于现有几种先进方法,GRiCoL同时兼顾局部和全局特征提取更有效的分类特征,有效改善染色体弯曲导致的分类性能下降,参数规模合理.通过基于G带、荧光原位杂交(Fluorescence in situ hybridization,FISH)、Q带染色体公开数据集的实验表明:GRiCoL能够更好地弱化染色体弯曲带来的影响,在不同数据集上的分类准确度均优于现有分类方法.
ISSN:0254-4156
DOI:10.16383/j.aas.c210303