本發明涉及電能存儲領域，特別涉及基于深度學習的基因擴增熒光原位雜交圖像智能識別系統、方法、計算設備和存儲介質。
背景技術：
1、自上世紀八十年代以來，熒光原位雜交(fluorescence?in?situ?hybridization，fish)技術，通過使用特異性的熒光標記探針與細胞內的目標核酸序列進行雜交，能夠在細胞或組織切片中直觀地顯示特定dna或rna的位置和數量，已成為細胞遺傳學、分子生物學和病理學研究中，用于研究基因異常、染色體異常等提供了強有力的手段。
2、尤其在基因擴增檢測領域，通過fish技術對特定基因擴增狀態進行檢測已經成為高分化脂肪肉瘤、去分化脂肪肉瘤以及乳腺癌等多類腫瘤診療過程中重要的參數和標準。
3、然而，傳統的fish技術在實際應用中，需要人工來進行圖像分析和結果判斷，判讀過程耗時耗力，單個病例判讀時間大于30分鐘，并且判讀過程容易受到醫務人員主觀判斷的影響，導致準確度受到不利影響，且針對同一病例不具有可重復性。而當前自動化的fish圖像分析方法中，通常采用閾值分割和邊緣檢測等圖像處理技術來進行熒光點的識別，但此類方法對圖像質量要求較高，對噪聲和光照不均的適應性較差，且難以準確區分部分重疊或密集排列的熒光斑點，但恰恰由于熒光信號的衰減和細胞自身熒光的存在，圖像背景噪聲較高，致使這類方法判斷的準確度會受到較大影響。
技術實現思路
1、為了解決上述技術問題，本發明提供了基于深度學習的基因擴增熒光原位雜交圖像智能識別系統和相應的基于深度學習的基因擴增熒光原位雜交圖像智能識別方法、計算設備和計算機存儲介質。
2、根據本發明的一個方面，提供了基于深度學習的基因擴增熒光原位雜交圖像智能識別系統，包括：圖像采集模塊、sam分割模塊、resnet對比模塊以及熒光點計數模塊；其中，
3、所述圖像采集模塊，用于利用顯微鏡對經過fish技術標記的細胞檢測樣本進行圖像采集，獲取對應的初始圖像；
4、所述sam分割模塊，用于基于sam模型針對初始圖像進行圖像分割，分割出初始圖像中顯示的全部細胞，確定出的分割圖像，其中，分割圖像包含至少一個準細胞圖像，以及針對每個準細胞圖像的分割提示；
5、所述resnet對比模塊，用于利用標準細胞圖像對每個準細胞圖像進行比對，從中篩選得到真實細胞圖像；
6、所述熒光點計數模塊，用于基于顏色濾波技術對每個真實細胞圖像進行熒光點識別和計數，確定預設腫瘤細胞數目下目標基因信號以及其對應的染色體著絲粒信號的個數和比值。
7、上述方案中，所述sam分割模塊，進一步用于：
8、利用圖像編碼器將初始圖像轉換為圖像嵌入；
9、將圖像嵌入與經過卷積處理的輸入掩碼以及提示點和/或提示框和/或提示文本相結合，確定出至少一個掩碼區域，并將每個掩碼區域作為一個準細胞圖像；
10、生成分割后的分割圖像。
11、上述方案中，所述sam分割模塊，進一步用于：
12、利用提示編碼器，確定提示點和/或提示框的位置編碼，并將位置編碼與其對應提示類型的學習嵌入相結合，最終得到提示點和/或提示框；基于文本編碼器表示預設的自由格式文本，得到提示文本；其中，
13、通過設置超參數，調整提示點陣的密度；基于圖像嵌入中的提示點陣對整張圖像進行分割，確定出初始圖像中的細胞結構，得到分割圖像。
14、上述方案中，所述resnet對比模塊，進一步用于：
15、利用resnet對分割圖像截取后的各個準細胞圖像進行處理；
16、根據處理后的準細胞圖像與resnet處理后的標準細胞圖像計算一范數，判斷準細胞圖像是否為真實細胞圖像；其中，
17、若該一范數的計算結果小于預設閾值，則判定對應的準細胞圖像為真實細胞圖像；若該一范數的計算結果不小于預設閾值，則判定對應的準細胞圖像為非細胞圖像。
18、上述方案中，所述熒光點計數模塊，進一步用于：
19、將識別出的每個真實細胞圖像與初始圖像取交集，確定出熒光點計數針對的目標區域；
20、創建識別用于識別熒光點的顏色濾波器，針對目標區域查找對應的熒光點；其中，
21、由于經過fish技術標記的細胞檢測樣本中，目標基因信號顯示為紅色，染色體著絲粒信號顯示為綠色，因此，顏色濾波器用于針對紅色熒光點和綠色熒光點。
22、上述方案中，所述熒光點計數模塊，進一步用于：
23、基于hsv顏色模型設置hue-color對照表，并將hue劃分為至少包含紅色和綠色的m個區間，每個區間對應一種顏色；
24、對分割圖像中的各個真實細胞圖像轉換為對應的hsv圖像，利用顏色濾波器從真實細胞圖像對應的hsv圖像中識別出各個顏色區域；
25、從各個顏色區域中篩選得到紅色像素區域和綠色像素區域，并分別統計紅色像素區域和綠色像素區域的數量。
26、上述方案中，所述熒光點計數模塊，進一步用于：
27、針對真實細胞圖像，基于色調h和飽和度s，建立hs直方圖；其中，hs直方圖中柱的數量即為hue劃分的區間數量m；
28、計算真實細胞圖像對應的hs直方圖中第i個柱的數值hs(i)
29、hs(i)＝σ(i-1)·step≤h(x，y)＜i·step·s(x，y)
30、step＝360°/m
31、其中，i∈[1，m]；step為hue劃分的每個區間的跨度；h(x，y)為hsv圖像中非邊緣點(x，y)的色度值；s(x，y)為hsv圖像中非邊緣點(x，y)的飽和度值；
32、基于hs(i)確定該非邊緣點對應的區間，進而確定該非邊緣點的顏色。
33、根據本發明的另一方面，提供了基于深度學習的基因擴增熒光原位雜交圖像智能識別方法，包括：
34、利用顯微鏡對經過fish技術標記的細胞檢測樣本進行圖像采集，獲取對應的初始圖像；
35、基于sam模型針對初始圖像進行圖像分割，分割出初始圖像中顯示的全部細胞，確定出的分割圖像，其中，分割圖像包含至少一個準細胞圖像，以及針對每個準細胞圖像的分割提示；
36、利用標準細胞圖像對每個準細胞圖像進行比對，從中篩選得到真實細胞圖像；
37、基于顏色濾波技術對每個真實細胞圖像進行熒光點識別和計數，確定預設腫瘤細胞數目下目標基因信號以及其對應的染色體著絲粒信號的個數和比值。
38、根據本發明的又一方面，提供了一種計算設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；
39、所述存儲器用于存放至少一可執行指令，所述可執行指令使所述處理器執行如上述的基于深度學習的基因擴增熒光原位雜交圖像智能識別系統所實現的操作。
40、根據本發明的再一方面，提供了一種計算機存儲介質，所述存儲介質中存儲有至少一可執行指令，所述可執行指令使處理器執行如上述的基于深度學習的基因擴增熒光原位雜交圖像智能識別系統所實現的操作。
41、根據本發明提供的技術方案，基于深度學習的基因擴增熒光原位雜交圖像智能識別系統，包括：圖像采集模塊、sam分割模塊、resnet對比模塊以及熒光點計數模塊；其中，所述圖像采集模塊，用于利用顯微鏡對經過fish技術標記的細胞檢測樣本進行圖像采集，獲取對應的初始圖像；所述sam分割模塊，用于基于sam模型針對初始圖像進行圖像分割，分割出初始圖像中顯示的全部細胞，確定出的分割圖像，其中，分割圖像包含至少一個準細胞圖像，以及針對每個準細胞圖像的分割提示；所述resnet對比模塊，用于利用標準細胞圖像對每個準細胞圖像進行比對，從中篩選得到真實細胞圖像；所述熒光點計數模塊，用于基于顏色濾波技術對每個真實細胞圖像進行熒光點識別和計數，確定預設腫瘤細胞數目下目標基因信號以及其對應的染色體著絲粒信號的個數和比值。通過sam模型對采集到的fish圖像進行自動分割，基于其高效、準確和通用的分割能力，大大減少了模型訓練過程，避免了人工識別所造成的人力成本和時間成本的浪費，以及識別準確度的降低，大大提升了fish圖像的處理效率，并且在分割過程中，基于提示點陣進一步提高了分割效率和精度，提高了分割過程的靈活性；基于resnet深度殘差卷積網絡，利用標準細胞圖像對得到的分割圖像進行再次判斷，排除了誤判的細胞圖像，進一步提升了系統的準確度；通過sam分割、resnet比對和顏色濾波的有機結合，有效提升了識別系統的整體性能，使其具有更好的擴展性、適應性和魯棒性；同時，通過sam模型對完成分割后的圖像進行相關數據的標注，進一步避免了手動標注所造成的額外工作量，更能夠適應數據量龐大或標注難度較高的情形，使醫務人員可以更好的聚焦于診療工作。此外，通過對分割后的真實細胞圖像進行hsv轉換，并基于像素點對應的hs直方圖的數值進行顏色確定，增加了飽和度這一判斷維度，進一步提升了基因擴增檢測中，對熒光點進行確定的準確率，進而使得基因擴增檢測的準確率得到進一步提升。
42、本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在所寫的說明書以及附圖中所特別指出的結構來實現和獲得。
43、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。