SC-Net:用于重叠染色体分割的上下文信息跳跃连接网络

目的染色体核型分析从细胞分裂中期图像中分离和分类染色体,是遗传疾病诊断广泛采用的方法,其中形态多样的重叠染色体簇的分割,依赖于准确的边界等细节特征。为此,本文融合目标的上下文信息,构建了一种两阶段的重叠染色体分割模型SC-Net(skip connection network)。方法首先,在语义分割基线模型U-Net++中增加混合池化模块捕获重叠染色体的局部上下文信息,在解码器网络中并联上下文融合模块和上下文先验辅助分支,增强通道和空间上的全局上下文信息。其次,利用已标注样本的类别先验信息生成真实亲和矩阵,加入训练过程以有效区分重叠染色体图像中易混淆的空间信息。最后,通过染色体实例重建算法对重叠与非重叠区域的元素迭代进行配对,拼接形成单条染色体。结果在公开的ChromSeg(chromosome segmentation)数据集上进行实验,结果表明SC-Net分割出的重叠染色体区域交并比值为83.5%,与对比算法中的较优算法相比性能提升2.7%。结论本文构建的重叠染色体分割模型通过融合上下文信息,能更有效地解决形态多样的重叠染色体簇的分割问题,相比对比方法可以得到更精细和准确的结果。