Key points are not available for this paper at this time.
Die Chromosomenenumeration ist ein essentielles, jedoch mühsames Verfahren in der Karyotypanalyse. Um den Enumerationsprozess zu automatisieren, entwickeln wir ein Chromosomenenumerationsframework, DeepACEv2, basierend auf dem regionsbasierten Objekterkennungsschema. Das Framework wird in drei Schritten entwickelt. Zunächst nehmen wir das klassische ResNet-101 als Rückgrat und fügen das Feature Pyramid Network (FPN) hinzu. Das FPN nutzt die Vorteile der mehrstufigen Merkmale voll aus, und wir geben nur die Ebene der Merkmalskarte aus, die den meisten Chromosomen zugeordnet ist. Zweitens verbessern wir die Fähigkeit des Regionsvorschlagsnetzwerks, indem wir ein neu vorgeschlagenes Hard Negative Anchors Sampling hinzufügen, um unauffällige, aber essentielle Informationen über stark verwirrende Teilchromosomen zu extrahieren. Als nächstes stellen wir zur Minderung schwerwiegender Überdeckungsprobleme neben dem traditionellen Erkennungszweig neuartig einen isolierten Template Module-Zweig vor, um einzigartige Einbettungen jedes Vorschlags unter Ausnutzung der geometrischen Informationen des Chromosoms zu extrahieren. Die Einbettungen werden weiter in das No Maximum Suppression (NMS)-Verfahren integriert, um die Erkennung überlappender Chromosomen zu verbessern. Schließlich entwerfen wir einen Truncated Normalized Repulsion Loss und fügen ihn zur Verlustfunktion hinzu, um ungenaue Lokalisierungen aufgrund von Überdeckungen zu vermeiden. In den neu gesammelten 1375 Metaphasenbildern aus einem klinischen Labor validieren eine Reihe von Ablationsstudien die Wirksamkeit jedes vorgeschlagenen Moduls. Zusammen genommen übertrifft das vorgeschlagene DeepACEv2 alle vorherigen Methoden und erzielt das Whole Correct Ratio (WCR)(%) in Bezug auf Bilder mit 71,39 und das Average Error Ratio (AER)(%) in Bezug auf Chromosomen mit etwa 1,17.
Xiao et al. (Di,) untersuchten diese Frage.