[论文解读] Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders

Amritha S Pallavoor, A Prajwal+2 more|arXiv (Cornell University)|Sep 12, 2022

Genomic variations and chromosomal abnormalities被引用 6

一句话总结

本文提出了一种结合图像处理与深度学习的自动化染色体分割与分类流程，以提高核型分析的准确性和效率。该方法结合分水岭分割与人工种子定位，以及自编码器技术，实现重叠染色体的有效分离，随后利用SqueezeNet模型进行分类，准确率达到95.75%，再通过分布算法对最终配对进行校正，准确率进一步提升至98%。

ABSTRACT

Chromosome analysis and identification from metaphase images is a critical part of cytogenetics based medical diagnosis. It is mainly used for identifying constitutional, prenatal and acquired abnormalities in the diagnosis of genetic diseases and disorders. The process of identification of chromosomes from metaphase is a tedious one and requires trained personnel and several hours to perform. Challenge exists especially in handling touching, overlapping and clustered chromosomes in metaphase images, which if not segmented properly would result in wrong classification. We propose a method to automate the process of detection and segmentation of chromosomes from a given metaphase image, and in using them to classify through a Deep CNN architecture to know the chromosome type. We have used two methods to handle the separation of overlapping chromosomes found in metaphases - one method involving watershed algorithm followed by autoencoders and the other a method purely based on watershed algorithm. These methods involve a combination of automation and very minimal manual effort to perform the segmentation, which produces the output. The manual effort ensures that human intuition is taken into consideration, especially in handling touching, overlapping and cluster chromosomes. Upon segmentation, individual chromosome images are then classified into their respective classes with 95.75\% accuracy using a Deep CNN model. Further, we impart a distribution strategy to classify these chromosomes from the given output (which typically could consist of 46 individual images in a normal scenario for human beings) into its individual classes with an accuracy of 98\%. Our study helps conclude that pure manual effort involved in chromosome segmentation can be automated to a very good level through image processing techniques to produce reliable and satisfying results.

研究动机与目标

• 自动分割有丝分裂图像中的单个染色体，尤其针对重叠、接触或聚集的染色体。
• 通过融合人类直觉与机器学习，减少核型分析中对手动操作的依赖，提升准确率与效率。
• 利用高精度的深度学习模型，将分割后的染色体正确分类为23对（1–22号染色体及X、Y染色体）。
• 开发一种分布算法，通过施加生物学约束（如每对染色体恰好包含两条）来纠正分类错误，从而提升最终分类准确率。
• 构建一种混合系统，既支持初学者的训练，也能在细胞遗传学领域提供临床决策支持。

提出的方法

• 采用带人工种子的分水岭算法分割重叠染色体，将重叠区域视为独立种子，以提升分离效果。
• 通过轮廓检测与图像裁剪，在分水岭分割后隔离单个染色体区域。
• 在一种方法变体中使用自编码器，对分割后的染色体图像进行优化，增强分类任务的特征表示。
• 基于分割后的染色体图像，使用SqueezeNet架构训练深度卷积神经网络（CNN），实现对23对染色体（含性染色体）的分类。
• 实施分布算法，通过识别代表性不足的染色体对，并将高置信度预测从过度代表的对中重新分配，实现误分类的纠正。
• 采用5折交叉验证并结合早停策略，防止SqueezeNet训练过程中的过拟合。

实验结果

研究问题

• RQ1 结合图像处理技术与最少的人工干预，能否有效分割有丝分裂图像中重叠或聚集的染色体？
• RQ2 像SqueezeNet这样的深度卷积神经网络模型，在高准确率下，能否有效将单个染色体分类至其正确的配对编号？
• RQ3 通过施加生物学约束（如每对染色体恰好两条）来纠正误分类错误，该分布算法的纠错效果如何？
• RQ4 自编码器的引入是否能提升分割后染色体图像的质量，从而改善下游分类性能？
• RQ5 该自动化流程是否能显著减少核型分析中的手动工作量，同时保持或提升诊断准确率？

主要发现

• 所提出的分割方法在单个染色体检测中达到约95%的准确率，在重叠染色体分离中达到94%的准确率。
• SqueezeNet模型在使用5折交叉验证与早停策略的条件下，对分割后的染色体图像分类准确率达到95.75%。
• 通过基于约束的重新分配，分布算法将最终分类准确率从95.75%提升至98%，有效纠正了误判。
• 分水岭分割结合人工种子定位与自编码器的组合，在复杂重叠情况下实现了可靠且一致的染色体分离。
• 端到端流程（分割→分类→分布校正）在临床与教育场景中展现出显著的自动化核型分析潜力。
• 该方法适用于Q显带与G显带的有丝分裂图像，Q显带图像中准确率更高，未来工作将致力于提升G显带图像的分类性能。