染色体图像分类,是临床上进行染色体分析的关键步骤之一,在遗传疾病的诊断和肿瘤学研究中具有重要意义。得益于计算机技术的发展和进步,使用计算机进行自动化的染色体分类,成为了近年来的热门研究。染色体是非刚性物体,容易发生弯曲,弯曲的染色体会影响网络的精确率,需要对弯曲的染色体进行矫直。现有的染色体矫直方法主要分为切割矫直法和骨骼关联矫直法,这两种方法存在一些局限性:切割矫直法,通过切割图片矫直染色体,会使切割位置的图像信息缺失,破坏染色体的连贯性;骨骼关联矫直法,通过将染色体像素与骨骼进行关联来矫直染色体。但容易受到中间步骤的影响,如果骨骼提取不准确,或染色体像素与骨骼关联不准确,将会改变染色体形态信息。此外,染色体数据具有一定的特殊性。邻近类别的染色体形态差异较小,类别远离的染色体形态差异较大,即邻近类别的染色体形态相似性更高,这导致类别邻近的样本容易分类混淆。另外类别靠后的染色体带型特征比较模糊,与类别靠前的染色体相比分类准确率较低。对上述存在的问题,提出了针对性的改进,主要贡献如下:1.针对染色体弯曲的问题,提出了一种新的染色体矫直方法,使用圆拟合来矫直弯曲的染色体。本文提出的矫直方法,避免了切割矫直法的图像缺失问题;同时避免了骨骼关联矫直法容易改变染色体形态信息的问题。2.为了集中不同矫直方法的优势,提出了一种融合多种矫直方法的多输入网络特征提取网络。同时输入多种矫直图像,提高网络的分类效果。3.由于临近类别的染色体形态相似性更高,提出了一种基于Softmax Loss改进的损失函数,将其称为“Repul-Center Loss”,度量样本到特征中心之间的距离,当样本特征与临近类别特征中心距离较近时进行惩罚。4.针对类别靠后的染色体带型信息模糊的问题,增加了网络的预测分支,用于预测染色体的分组,辅助既有的染色体分类分支,增强分类的准确率。最后,结合所有本文所提出的方法,在所使用的BioImLab公开数据集上获得了优于现有分类方法的效果。