基于改进UNet++模型的染色体图像分割研究

关于人类23对染色体的遗传学研究已经广泛应用于多个领域，尤其针对于染色体数目形态与染色体疾病的研究。研究者们采用了各类深度学习模型以提升重叠染色体分割的精确度。本文通过集合不同深度的UNets、同时嵌套稠密卷积块来改进跳跃连接，使用深度学习方法以保持不同大小的研究对象都有良好的分割性能。综上，本文提出MCBA-UNet模型，在改进后的UNet++模型上引入了MobileNet轻量化模型，解决了因数据过多导致计算机性能下降的问题，再使用CBAM注意力机制校准其分割准确性。实验结果证明，MCBA-UNet对于重叠染色体的分割准确率可以达到98.73%。

染色体(chromosome)是基因的载体，人类23 对染色体中承载着3.5 万基因，正是因为染色体具有遗传特性，所以越来越多的学者们开始研究染色体的本质，尤其在研究染色体结构和数目异常与染色体疾病的关系上，引发了大量学者的关注。人类细胞中期染色体图像如图1 所示。

Figure 1. Human cell mid-term chromosome image 图1. 人类细胞中期染色体图像 前人通过数学模型研究染色体中轴线、弯曲染色体修正、着丝点位置、染色体轮廓等，设计了一套染色体识别系统。但是随着医疗科技的快速发展，仅仅依赖数学模型是达不到理想精度的。机器学习在医学图像分割领域深受研究者青睐。不同于以往手动操作的是，机器学习中的语义分割系统可以直接训练图像。相比于人工操作的耗时和误差，运用机器学习对图像进行自动分割操作不仅节约时间成本，而且得到的图像也清晰明了。韩璐[1]通过将UNet 网络应用于宫颈细胞的图像分割，并使用多主动轮廓方法对重叠细胞进行分割，从而证明机器学习应用于医学图像分割的可行性。与此同时，游齐靖[2]采用深度学习方法构建了一个完整的染色体核型分析系统， 通过UNet 框架、转角检测和极性检测步骤制作染色体核型分析结果图像。

王祥鹤[3]通过GroundTruth 标签和UNet3+网络对输入的染色体图像进行处理与分