Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders

要約

中期画像からの染色体分析と同定は、細胞遺伝学に基づく医学的診断の重要な部分です。
主に、遺伝性疾患および障害の診断において、体質、出生前、および後天的な異常を特定するために使用されます。
中期から染色体を同定するプロセスは退屈なものであり、訓練を受けた担当者と実行に数時間を必要とします。
特に中期画像で接触、重複、クラスター化された染色体を処理する際に課題があり、適切にセグメント化されていない場合、間違った分類が発生します。
特定の中期画像からの染色体の検出とセグメンテーションのプロセスを自動化し、それらを使用してDeep CNNアーキテクチャを介して分類し、染色体のタイプを知る方法を提案します。
メタフェーズで見つかった重複する染色体の分離を処理するために、2 つの方法を使用しました。
これらの方法には、出力を生成するセグメンテーションを実行するための自動化と最小限の手動作業の組み合わせが含まれます。
手作業により、特に染色体の接触、重複、クラスターの処理において、人間の直感が考慮されるようになります。
セグメンテーションの際、個々の染色体画像は、Deep CNN モデルを使用して 95.75\% の精度でそれぞれのクラスに分類されます。
さらに、与えられた出力 (通常、人間の通常のシナリオでは 46 の個々の画像で構成される) からこれらの染色体を個々のクラスに 98\% の精度で分類するための分布戦略を与えます。
私たちの研究は、染色体のセグメンテーションに関与する純粋な手作業は、画像処理技術によって非常に優れたレベルまで自動化され、信頼できる満足のいく結果を生み出すことができると結論付けるのに役立ちます.

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google