Metaphase chromosome analysis is one of the primary
techniques utilized in cytogenetics. Observations of
chromosomal segments or translocations during metaphase
can indicate structural changes in the cell genome, and are
often used for diagnostic purposes. Karyotyping of the
chromosomes micro-photographed under metaphase is
done by characterizing the individual chromosomes in cell
spread images. Currently, considerable effort and time is
spent to manually segment out chromosomes from cell
images, and classify the segmented chromosomes into one of 
the twenty-four types, or in the case of diseased cells, to one
of the known translocated types. Segmenting out the
chromosomes in such images can be especially laborious and
is often done manually if there are overlapping
chromosomes in the image that are not easily separable by
image processing techniques. Many techniques have been
proposed to automate the segmentation and classification of
chromosomes from spread images with reasonable accuracy,
but given the criticality of the domain, a human in the loop is
often still required. In this paper, we present a method to
segment out and classify chromosomes for healthy patients
using a combination of crowdsourcing, pre-processing and
deep learning, wherein the non-expert crowd from
CrowdFlower is utilized to segment out the chromosomes
from the cell image, which are then straightened and fed into
a (hierarchical) deep neural network for classification.
Experiments are performed on four hundred healthy patient
images obtained from a hospital. Results are encouraging
and promise to significantly reduce the cognitive burden of
segmenting and karyotyping chromosomes.

L'analyse chromosomique en métaphase est l'une des principales techniques utilisées en cytogénétique. Les observations de segments chromosomiques ou de translocations pendant la métaphase peuvent indiquer des changements structurels dans le génome cellulaire et sont souvent utilisées à des fins de diagnostic. Le caryotypage des chromosomes micro-photographiés en métaphase est réalisé en caractérisant les chromosomes individuels dans des images d'étalement cellulaire. Actuellement, des efforts et du temps considérables sont consacrés à segmenter manuellement les chromosomes à partir d'images cellulaires et à classer les chromosomes segmentés dans l'un des vingt-quatre types, ou dans le cas de cellules malades, dans l'un des types transloqués connus. La segmentation des chromosomes dans de telles images peut être particulièrement laborieuse et est souvent effectuée manuellement s'il y a des chromosomes qui se chevauchent dans l'image et qui ne sont pas facilement séparables par des techniques de traitement d'image. De nombreuses techniques ont été proposées pour automatiser la segmentation et la classification des chromosomes à partir d'images étalées avec une précision raisonnable, mais compte tenu de la criticité du domaine, un humain dans la boucle est souvent encore nécessaire. Dans cet article, nous présentons une méthode pour segmenter et classer les chromosomes pour les patients en bonne santé en utilisant une combinaison de crowdsourcing, de prétraitement et d'apprentissage en profondeur, dans laquelle la foule non experte de CrowdFlower est utilisée pour segmenter les chromosomes de l'image cellulaire, qui sont ensuite redressés et introduits dans un réseau neuronal profond (hiérarchique) pour la classification. Des expériences sont réalisées sur quatre cents images de patients sains obtenues à partir d'un hôpital. Les résultats sont encourageants et promettent de réduire significativement le fardeau cognitif de la segmentation et du caryotype des chromosomes.

Karyotyping of the chromosomes micro-photographed
under metaphase is done by characterizing the individual
chromosomes in cell spread images. Currently, considerable
effort and time is spent to manually segment out
chromosomes from cell images, and classify the segmented
chromosomes. We proposed a method to segment out and
classify chromosomes for healthy patients using a
combination of crowdsourcing, pre-processing and deep
learning, wherein the non-expert crowd from an external
crowdsourcing platform is utilized to segment out the
chromosomes, which are then classified using a deep neural
network. Results are encouraging and promise to
significantly reduce the cognitive burden of segmenting and
karyotyping chromosomes.

Le caryotypage des chromosomes micro-photographiés en métaphase est réalisé en caractérisant les chromosomes individuels dans des images d'étalement cellulaire. Actuellement, des efforts et du temps considérables sont consacrés à la segmentation manuelle des chromosomes à partir d'images cellulaires et à la classification des chromosomes segmentés. Nous avons proposé une méthode pour segmenter et classer les chromosomes pour les patients en bonne santé en utilisant une combinaison de crowdsourcing, de prétraitement et d'apprentissage en profondeur, dans laquelle la foule non experte d'une plate-forme de crowdsourcing externe est utilisée pour segmenter les chromosomes, qui sont ensuite classés à l'aide un réseau neuronal profond. Les résultats sont encourageants et promettent de réduire significativement le fardeau cognitif de la segmentation et du caryotype des chromosomes.

Chromosome segmentation and deep classification