染色体分类方法及系统与流程

1.本技术涉及染色体核型分析技术，特别涉及染色体分类技术。


背景技术：

2.染色体核型分析是诊断由染色体异常引起的疾病的重要方法。这些异常会导致遗传疾病，从而可能引发生殖问题(如不孕和流产)、先天畸形、智力障碍和其他症状等。为了获得患者的染色体核型，首先，细胞遗传学家需要使用特定的染色技术(如g染色法或q染色法)对样本细胞进行采样。然后，在记录了染色的中期细胞的显微图像之后，细胞遗传学家需要从该显微图像中分割出所有染色体，并确定染色体类型和极性以产生核型图(类型是指染色体的数目，如1号染色体，2号染色体，3号染色体，
…
，x染色体和y染色体，极性是指p臂朝上或q臂朝上)。最后，医生仔细检查核形图以确定是否存在染色体异常。如图1示出了g染色中期细胞的显微图像及相应的核型图的示例。核型分析已广泛应用于产前诊断、体外胚胎细胞遗传学分析和遗传病诊断。但到目前为止，核型分析的每个步骤仍然严重依赖于训练有素的操作员的细致努力。为了减轻医生的负担，许多研究尝试自动分类染色体类型。但是现有的染色体自动分类方法的分类结果准确度不高，分类准确度和适应性不够好，特别在弯曲染色体上效果较差。


技术实现要素：

3.本技术的目的在于提供一种染色体分类方法及系统，分类结果准确度高，分类精度和适应性好，特别在弯曲染色体上效果佳。
4.本技术公开了一种染色体分类方法，包括：
5.获取待分类染色体图像；
6.利用多尺度特征提取网络提取所述染色体图像的n个尺度特征，n≥2，所述n个尺度特征为按尺度大小降序排列；
7.将所述n个尺度特征并行输入到对应的n个平均池化层；
8.将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。
9.在一个优选例中，n≥3；
10.所述将所述n个尺度特征并行输入到对应的n个平均池化层，进一步包括子步骤：将所述n个尺度特征中尺度最大的尺度特征输入到卷积神经子网以进行染色体关节检测，并将其余n-1个尺度特征并行输入到对应的n-1个平均池化层。
11.在一个优选例中，所述多尺度特征提取网络包括连续的n级结构，其中输出最高尺度的第一级设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中所述第一级中的卷积模块与所述其余各级中的卷积模块不同。
12.在一个优选例中，所述卷积模块包括四个卷积单元；
13.所述第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及所述其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32
×
2j，j≤当前级数。
14.在一个优选例中，所述卷积模块被配置为将第k-1级输出的第k-1个尺度特征进行卷积以形成第k级的第k个尺度特征，第k级的其他k-1个尺度特征仅从第k-1级中转移得到，2≤k≤n；
15.所述交换模块被配置为转换第k级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤k；
16.所述迁移模块被配置为从所述第一级开始，逐步迁移形成了其余n-1级，在最后的第n级生成所述n个尺度特征。
17.在一个优选例中，还包括：
18.根据公式计算染色体类型和极性分类损失，其中o
t
、o
p
、y
t
、y
p
分别表示染色体的预测类型，预测极性，目标类型和目标极性的概率向量，λ1和λ2分别设为0.5和0.1；
19.根据公式计算染色体关节检测损失，其中表示第j个关节的标签aj中第(x,y)个元素，表示第j个关节hj的预测结果中第(x,y)个元素，t、σ分别设置为6和2，j设置为5，w、h分别表示图像的宽度和高度；
20.计算多任务网络的总损失，所述总损失等于所述染色体类型和极性分类损失和所述染色体关节检测损失之和，其中所述多任务分类网络包括所述n-1个平均池化层、两个分类子网络和卷积神经子网；
21.根据所述多任务网络的总损失优化所述多任务网络的参数。
22.本技术还公开了一种染色体分类系统，包括：
23.多尺度特征提取网络,所述多尺度特征提取网络学习并提取待分类染色体图像的n个尺度特征，n≥2，所述n个尺度特征为按尺度大小降序排列；
24.多任务网络，包括顺次连接的n个并行平均池化层、并置单元、两个分类子网络，所述n个并行平均池化层对应输入所述n个尺度特征，所述并置单元将所述n个并行平均池化层的输出进行并置处理，并将并置结果分别输入到所述两个分类子网络，以进行染色体类型和极性分类。
25.在一个优选例中，n≥3；
26.所述多任务网络还包括卷积神经子网，所述卷积神经子网输入所述n个尺度特征中尺度最大的尺度特征以进行染色体关节检测，所述n-1个并行平均池化层对应输入其余n-1个尺度特征。
27.在一个优选例中，所述多尺度特征提取网络为depp cnn；所述分类子网络为多层感知器。
28.本技术还公开了一种染色体分类系统包括：
29.存储器，用于存储计算机可执行指令；以及，
30.处理器，用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
31.本技术还公开了一种计算机可读存储介质所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
32.本技术实施方式中，至少包括以下优点和有益效果：
33.先利用多尺度特征提取网络提取所述染色体图像的按尺度大小降序排列的多个尺度特征，将各尺度特征按照排序并行输入到对应的平均池化层，将各平均池化层的输出的并置处理结果分别输入到两个分类子网络以进行染色体类型和极性分类，多尺度特征不仅在分类子网中得到融合，而且在交织网络中也得到融合，所得到的染色体分类结果准确度高，分类精度和适应性好。
34.进一步地，通过一个交织的多任务网络进行染色体分类和关节检测，根据任务性质，最高尺度特征用于关节检测以及其他尺度特征用于上述的染色体类型和极性分类，关节检测效果好，进一步提高了分类结果的准确度，由于借助检测到的关节，弯曲的染色体在检测到的关节的帮助下拉直，几乎不依赖ma，所以对于弯曲染色体的分类效果佳。
35.本技术的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本技术所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本技术上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。
附图说明
36.图1是一种示例g染色中期细胞的显微图像及相应的核型图。
37.图2是根据本技术第一实施方式的染色体分类方法流程示意图。
38.图3是根据本技术的一个实验性示例的通过交错交织网络学习多尺度特征的架构图。
39.图4是根据本技术的一个实验性示例的交换模块的配置算法信息表。
40.图5(a)-5(b)分别是根据本技术一个实验性示例的第一个seqstage中的卷积单元的结构图和第二至四个seqstage中的卷积单元的结构示意图。
41.图6根据本技术的一个实验性示例的染色体分类系统结构示意图。
42.图7本技术的一个实验性示例的一些示例染色体的定性联合检测结果。
43.图8是根据本技术第二实施方式的染色体分类系统结构示意图。
具体实施方式
44.在以下的叙述中，为了使读者更好地理解本技术而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本技术所要求保护的技术方案。
45.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术的实施方式作进一步地详细描述。
46.在深度学习盛行之前，染色体分类方法遵循了一个包含两个步骤的流程。首先提取所设计的特征，然后将这些特征直接输入分类器(如多层感知器(mlp)和支持向量机)。最重要和广泛使用的特征是密度分布(dp)、着丝粒指数(ci)和长度。dp是描述染色体条带模式的功能，它是通过沿垂直于其媒体轴(ma)的线的灰度平均值来计算。ci是p臂和q臂之间的比率，它描述了染色体的形状特征。因此，着丝粒定位和ma提取是这些方法中特征提取过程中的关键前提。有专门针对定位着丝粒而设计的研究，其中着丝粒通常被认为是沿着染色体最窄的位置。对于ma的提取，主要有两种方法-沿染色体骨架法或者连接中点。这些着丝粒定位和ma提取的常用方法在弯曲染色体上效果较差，这导致分类准确度进一步下降。随着深度学习的发展，研究人员倾向于将特征提取的任务分配给网络。yan等人没有引入卷积神经网络，而是使用mlp模型进行特征学习和染色体分类。他们首先构造一组分类器，将所有染色体分为七个组。然后为每个组分别构建分类器，以重新分类各组染色体类型。后来，随着cnn在图像识别中的成功应用，sharma等人和swati等人提出了基于cnn的方法。他们的网络架构较浅，据报道其最佳准确度分别为86.7％和85.6％。最近，秦等人提出了一种用于染色体分类的varifocal-net。它们的varifocal-net由g-net，l-net和mlp分类器组成。g-net提取全局特征并预测l-net放大的位置。l-net提取局部特征。然后将全局特征和局部特征融合并输入mlp分类器，以预测染色体类型和极性。在训练过程中，varifocal-net需要三个深度学习网络，其实验中的染色体数量约为swati等人的40倍(87831:1740)。染色体的非刚性使得它们可能出现形状难以捉摸。这使得更难获得用于进一步分析的有效条带信息。为了解决这个问题，roshtkhari等人提出了一种基于投影的用于拉直高度弯曲的染色体的方法。他们通过在各种角度下定义的弯曲度来搜索旋转角度和弯曲点。他们的方法主要局限性在于它只能应用于那些具有一个弯曲点的识别和校直弯曲染色体的方法。对于弯曲染色体识别，如果端点的欧氏距离与ma的长度之比小于阈值，则认为是染色体弯曲。为了进行矫直，sahar等人沿与ma垂直的方向对原始图像进行采样，arora等人迭代地沿弯曲点重建直染色体，而somasundaram等人提出一种投影矫直算法。这些方法高度依赖于ma。但是，很难准确提取弯曲染色体的ma，一旦ma提取失败，错误就会在矫直过程中累积。
47.为了解决至少上述问题，本技术的第一实施方式涉及一种染色体分类方法，其流程如图2所示，该方法包括以下步骤：
48.在步骤201中，获取待分类染色体图像。例如但不限于g染色中期细胞的个染色体的显微图像。
49.之后，进入步骤202，利用多尺度特征提取网络提取该染色体图像的n个尺度特征，n≥2，该n个尺度特征为按尺度大小降序排列。
50.该多尺度特征提取网络的种类是多种多样的，例如可以但不限于是deep cnn等。
51.可选地，该多尺度特征提取网络包括连续的n级结构，其中输出最高尺度的第一级
设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中该第一级中的卷积模块与该其余各级中的卷积模块不同。
52.可选地，该卷积模块包括四个卷积单元；该第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及该其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32
×
2j，j≤当前级数。该卷积模块被配置为将第k-1级输出的第k-1个尺度特征进行卷积以形成第k级的第k个尺度特征，第k级的其他k-1个尺度特征仅从第k-1级中转移得到，2≤k≤n；该交换模块被配置为转换第k级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤k；该迁移模块被配置为从该第一级开始，逐步迁移形成了其余n-1级，在最后的第n级生成该n个尺度特征。
53.之后，进入步骤203，将该n个尺度特征并行输入到对应的n个平均池化层。
54.可选地，步骤203进一步包括以下子步骤：将该n个尺度特征中尺度最大的尺度特征输入到卷积神经子网以进行染色体关节检测，并将其余n-1个尺度特征并行输入到对应的n-1个平均池化层。
55.之后，进入步骤204，将各平均池化层的输出进行并置处理，并将并置结果分别输入到两个分类子网络以进行染色体类型和极性分类。
56.该步骤204中的分类子网络的种类多种多样，例如可以但不限于是多层感知器等。
57.可选地，上述步骤203和步骤204中还包括以下步骤
①
～
④
：
58.步骤
①
中，根据公式计算染色体类型和极性分类损失，其中o
t
、o
p
、y
t
、y
p
分别表示染色体的预测类型，预测极性，目标类型和目标极性的概率向量，λ1和λ2分别设为0.5和0.1；
59.步骤
②
中，根据公式计算染色体关节检测损失，其中表示第j个关节的标签aj中第(x,y)个元素，表示第j个关节hj的预测结果中第(x,y)个元素，t、σ分别设置为6和2，j设置为5，w、h分别表示图像的宽度和高度；
60.步骤
③
中，计算多任务网络的总损失，该总损失等于该染色体类型和极性分类损失和该染色体关节检测损失之和，其中该多任务分类网络包括该n-1个平均池化层、两个分类子网络和卷积神经子网；
61.步骤
④
中，根据该多任务网络的总损失优化该多任务网络的参数。
62.为了能够更好地理解本技术的技术方案，下面结合一个实验性示例来进行说明，该实验性示例中罗列的细节主要是为了便于理解，不作为对本技术保护范围的限制。该实验性示例分为三个阶段：a)通过交错网络学习多尺度特征；b)通过多任务子网络对染色体类型进行分类，对染色体极性进行分类以及对染色体关节进行检测；c)借助于检测到的关节矫直弯曲的染色体。该实验性示例构建的数据集(32810)上的实验结果带有关节标记的染色体验证了本技术的染色体分类方法的有益效果。
63.具体的，在第一阶段中，首先通过特征学习网络提取染色体图像的多尺度(即分辨率)特征来得到该四个尺度呈降序排列的特征，该交织网络被用作提取特征的架构，如图3所示，该特征学习网络包括连续的四级结构(seqstages)，从高分辨率的seqstage开始，通过转移模块(transfer module)逐步形成了另外三个seqstage。在最后一个seqstage之后，具有产生四种尺度分辨率特征。除了仅具有卷积模块的第一个seqstage外，每个seqstage由四个卷积模块和一个交换模块(interchange module)组成。该卷积模块具有四个卷积单元，如图3中所示。通过交换模块交换来自不同分辨率特征的信息，如图4所示的alg1。
64.1)转移模块：假设在第(k-1)个seqstage(k∈{2，3，4})中具有(k-1)个尺度的特征，则转移模块通过使用例如2-stride3
×
3卷积将第(k-1)个尺度特征进行卷积来再生成一个分支。这个操作形成了第k个seqstage的第k个尺度特征，第k个seqstage中的其他(k-1)个尺度特征仅从第(k-1)个seqstage中转移得到而无需其他操作。
65.2)卷积模块：一个卷积模块由四个卷积单元组成。卷积单元有两种类型(图5(a)和(b))。两者都采用残差学习策略并且由卷积层(conv)、批标准化(bn)和校正线性单元(relu)构成。第一个seqstage中的卷积单元如所示图5(a)，在第一个卷积单元中，nin＝64，nout＝256，在其他三个卷积单元中，nin＝nout＝256，其中nin和nout分别表示输入和输出特性。在相应seqstage中的其他三个卷积模块使用图5(b)中的架构。在第i个(i∈{2，3，4})seqstage中，第j个尺度特征的卷积单元的nin、nout分别为32
×
2j(j∈{1，2，
…
，i})。
66.3)交换模块：该交换模块用于交换来自不同分辨率下特征的信息。假设第k个seqstage(k∈{1，2，3，4})中有k个尺度特征。为了产生第i个尺度(i∈{1，2，
…
，k})中的交换特征，首先，需要对其他尺度中的所有特征进行转换，以使其分辨率和通道号与第i个尺度特征中相同。然后将这些交换后的特征与第i个尺度中的特征相加。交换模块的配置算法信息在如图4所示的alg1中进行了描述。在第4个seqstage中，由于后面的任务，没有针对第二、第三和第四个尺度特征的融合操作。这些特征的融合操作将在后续步骤的分类子网中完成。
67.进一步地，根据不同的任务分别使用这些特征(即基于上述通过特征提取网络提取得到四个尺度特征)。通过整个网络维护的最高分辨率的特征在像素标记问题中起着至关重要的作用。因此，使用具有最高尺度的特征用于关节检测，其他三个较低尺度的特征按照降序排列后用于分类任务；如图6中所示的示例性示例的染色体分类系统，三个子网络用于不同的任务：染色体关节的检测、染色体类型的分类和极性的分类，基于cnn的关节检测子网络生成用于估计关节位置的热图。分类子网络首先并置处理尺度呈降序排列的第二、第三和第四个尺度特征，然后预测染色体类型和极性的概率向量。
68.1)染色体关节检测：染色体关节检测的目的是捕捉染色体的起点、终点和弯曲点的位置，就像检测人体姿势估计中的关键点(如头、肘、踝等一样)。因此，这个问题也可以转化为估计j个热图{h1,h2,
…
,hj}，其中hj表示第j个关节的置信度图。假设w
×
h图像中第j个关节的坐标为(x0,y0)，则第j个关节的标签用aj表示，其中aj中第(x,y)个元素a
xy
由下式给出：
[0069][0070]
其中dx＝||x-x0||，dy＝||y-y0||。那么关节的损失测值可以通过下式(2)计算：
[0071][0072]
其中，表示第j个关节aj的标签中的第(x,y)个元素，表示第j个关节hj的预测中的第(x,y)个元素。在该实验性示例中，t和σ分别设为6和2，j设为5，因为根据观察，很少有染色体具有3个以上弯曲点。
[0073]
2)染色体类型和极性分类：在分类子网络中，三个并行平均池化层之后是一个并置操作，以将第二、第三和第四个尺度特征进行融合。然后这些融合后的特征通过mlp分类器映射为概率向量。概率向量指示染色体类型和极性。分类的损失根据交叉熵损失计算得到，如下式(3)：
[0074][0075]
其中，o
t
,o
t
,y
p
,y
p
分别表示染色体的预测类型、预测极性、目标类型和目标极性的概率向量。多任务的损失是检测损失lossd和分类损失lossc的总和。在本实验性示例的任务中，λ1和λ2分别设置为0.5和0.1。
[0076]
一些定性的示例关节检测结果如图7所示，其中绿色手动标记点，红色点通过网络预测得到。在一个实施例中，当染色体只有两个关节(起点和终点)时，关节检测效果最好，平均准确度为99.82
±
0.03(％)。随着关节数量的增加，检测准确度下降。当关节数量上升到5时，平均检测准确度降至72.02
±
1.10％。但是在所有情况下，对于起始点和终点的检测准确度均保持在95％以上。这与图7示出的定型结果一致。
[0077]
在一个实施例中，在极性分类中，约98.1％的染色体类型分类准确度达99.8％。此外，大多数关节可以准确地检测到，尤其是起始点和终止点积分。除了一些极端弯曲的情况矫直法可以使弯曲的染色体直立垂直同时保留波段信息完整的。因此可知，与传统和现有方法相比，根据本技术的染色体分类方法进行的染色体核型分析结果准确度更高。
[0078]
本技术的第二实施方式涉及一种染色体分类系统，其结构如图8所示，该染色体分类系统包括多尺度特征提取网络和多任务网络。
[0079]
具体的，该多尺度特征提取网络学习并提取待分类染色体图像的n个尺度特征，n≥2，该n个尺度特征为按尺度大小降序排列为第一至第n尺度特征；该多任务网络包括顺次连接的n个并行平均池化层、并置单元、两个分类子网络，该n个并行平均池化层对应输入该n个尺度特征，该并置单元将该n个并行平均池化层的输出进行并置处理，并将并置结果分别输入到该两个分类子网络，以进行染色体类型和极性分类。
[0080]
可选地，n≥3，在该可选实施例中，该多任务网络还包括卷积神经子网，该卷积神
经子网输入该n个尺度特征中尺度最大的尺度特征(即如图8所示的第一尺度特征)以进行染色体关节检测，该n-1个并行平均池化层(即如图8所示的第一至第n-1平均池化层)对应输入其余n-1个尺度特征(即如图8所示的第二至第n尺度特征)。
[0081]
可选地，该多尺度特征提取网络包括连续的n级结构，其中输出最高尺度的第一级设有一个卷积模块，其余各级分别设有所在级数相同数量的卷积模块和一个交换模块，各级之间设置有迁移模块，其中该第一级中的卷积模块与该其余各级中的卷积模块不同。
[0082]
可选地，该卷积模块包括四个卷积单元；该第一级中的第一个卷积单元的nin＝64，nout＝256，其他三个卷积单元的nin＝nout＝256，以及该其余各级中对应第j个尺度特征的卷积单元的nin＝nout＝32
×
2j，j≤当前级数。该卷积模块被配置为将第k-1级输出的第k-1个尺度特征进行卷积以形成第k级的第k个尺度特征，第k级的其他k-1个尺度特征仅从第k-1级中转移得到，2≤k≤n；该交换模块被配置为转换第k级中除第i个尺度特征的所有其他尺度特征以使其分辨率和通道号与第i个尺度特征中相同，并将这些转换后的特征与第i个尺度特征相加，以生成交换后的第i个尺度特征，其中1≤i≤k；该迁移模块被配置为从该第一级开始，逐步迁移形成了其余n-1级，在最后的第n级生成该n个尺度特征。
[0083]
该多尺度特征提取网络的种类是多种多样的，例如可以但不限于是depp cnn等。
[0084]
该分类子网络的种类多种多样,例如可以但不限于是多层感知器等。
[0085]
可选地，该系统还包括根据公式计算染色体类型和极性分类损失，其中o
t
、o
p
、y
t
、y
p
分别表示染色体的预测类型，预测极性，目标类型和目标极性的概率向量，λ1和λ2分别设为0.5和0.1；根据公式计算染色体关节检测损失，其中表示第j个关节的标签aj中第(x,y)个元素，表示第j个关节hj的预测结果中第(x,y)个元素，t、σ分别设置为6和2，j设置为5，w、h分别表示图像的宽度和高度；计算多任务网络的总损失，该总损失等于该染色体类型和极性分类损失和该染色体关节检测损失之和，其中该多任务分类网络包括该n-1个平均池化层、两个分类子网络和卷积神经子网；根据该多任务网络的总损失优化该多任务网络的参数。
[0086]
第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。
[0087]
需要说明的是，本领域技术人员应当理解，上述染色体分类系统的实施方式中所示的各模块的实现功能可参照前述染色体分类方法的相关描述而理解。上述染色体分类系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本技术实施例上述染色体分类系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各
个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read only memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本技术实施例不限制于任何特定的硬件和软件结合。
[0088]
相应地，本技术实施方式还提供一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本技术的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于，相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0089]
此外，本技术实施方式还提供一种染色体分类系统，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中，该处理器可以是中央处理单元(central processing unit，简称“cpu”)，还可以是其他通用处理器、数字信号处理器(digital signal processor，简称“dsp”)、专用集成电路(application specific integrated circuit，简称“asic”)等。前述的存储器可以是只读存储器(read-only memory，简称“rom”)、随机存取存储器(random access memory，简称“ram”)、快闪存储器(flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0090]
需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
[0091]
在本技术提及的所有文献都被认为是整体性地包括在本技术的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。