CN102509106A - 血浆絮状物的检测方法 - Google Patents
血浆絮状物的检测方法 Download PDFInfo
- Publication number
- CN102509106A CN102509106A CN2011103080432A CN201110308043A CN102509106A CN 102509106 A CN102509106 A CN 102509106A CN 2011103080432 A CN2011103080432 A CN 2011103080432A CN 201110308043 A CN201110308043 A CN 201110308043A CN 102509106 A CN102509106 A CN 102509106A
- Authority
- CN
- China
- Prior art keywords
- image
- floccus
- blood plasma
- gained
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明属于检验医学领域,尤其涉及一种对血浆絮状物进行无损检测的方法,采用图像采集、图像处理、特征提取、神经网络模型、对比判断和输出显示的步骤得到待测样品的结果;本发明与传统的人工检测相比,对血浆絮状物的检测具有可靠性和稳定性,速度更快、精度更高、可同时检测多个指标,提高生产效率,减少劳动强度,降低检测成本。
Description
技术领域
本发明涉及检验医学领域,利用图像处理与电子信息技术对血浆进行无损检测,尤其涉及一种对血浆絮状物的检测方法。
背景技术
目前,我国对血液絮状物的检测几乎都局限于人工检测方法。人工检测对于含絮状物或含血凝块的血浆只能逐个检测,费时费力;同时,由于检测者的不同,不可避免的带来较大的误差,特别是对于含血凝块的血袋,现有的人工目测技术几乎不能够将其检测出来,以至于在输血时,发生输注不畅甚至栓塞等情况。故人工检测不仅方法复杂、费用高、劳动强度大、不具有准确性和可重复性,而且会对人民的生命安全造成直接影响,严重违反了现代社会对检验医学的发展要求。因此,对于血浆絮状物检测的定量化、客观化已成为输血科学迫切需要解决的关键问题。
发明内容
有鉴于此,本发明的目的之一在于提供一种血浆絮状物的检测方法,发明以袋装血液产品为检测对象,应用机电一体化、机器视觉及医学图像处理等技术,运用图像处理的算法,建立针对不合格血液产品判定指标的神经网络模型;通过实验数据,建立基于机器视觉技术的血浆絮状物智能检测方法。
本方法的步骤为:
(1):获得血浆图像;
(2):处理步骤1所得的血浆图像,所述处理步骤为:
(201):将血骤1所得的血浆图像的彩色图像制为灰度图;
(202):剔除步骤201所得灰度图的背景得目标图像;
(203):将步骤202所得图像进行增强处理后得絮状物亮度较高的图像;
(204):将步骤203所得图像进行图像分割得去除图像杂质的图像;
(3):提取步骤2所得图像的特征参数;所述特征参数包括基本统计信息和纹理统计信息;
(4):对步骤3所述特征参数作归一化处理后建立神经网络模型;所述神经网络包括输入层、隐含层和输出层;所述输入层的神经元数为8,输入向量范围为[-1,1];所述隐含层神经元数为20,神经元传递函数采用S型正切函数tansig;所述输出层:输出层神经元数为2,神经元传递函数采用S型对数函数logsig;以及网络训练函数为trainlm,学习函数为learngdm,性能函数为mse。
作为本发明的进一步改进,将步骤202所得图像灰度值翻转后得反色处理后的图像,将上述反色处理后的图像进行中值滤波处理后经灰度切割法目标絮状物突出的图像。
作为本发明的进一步改进,将步骤203所得图像用迭代阈值分割法进行初分割,再对所得初分割图像进行二次细分割;所述二次细分割指标注图像的连通区域后生成标注矩阵,测量所述标注矩阵连通区域的像素个数后确定连通区域面积,设定所述区域面积的上下门限得去除杂质的图像。
作为本发明的进一步改进,步骤3所述的基本统计信息为:图像均值、图像标准差、目标区域的面积、目标区域的欧拉数;以及所述纹理统计信息为:平滑度、三阶矩、一致性和熵。
作为本发明的进一步改进,步骤4所述神经网络的最大训练次数为1000,网络训练精度为1e-6,网络学习率为0.01。
作为本发明的进一步改进,步骤4所述的训练函数trainlm采用Levenberg-Marquardt算法。
作为本发明的进一步改进,所述神经网络模型的输出结果为:含有絮状物或正常;所述含有絮状物样本为(1,0);所述正常样本为(0,1)。
作为本发明的进一步改进,所述神经网络模型的输入样本量为80组数据,所述80组数据包括含有絮状物的40组数据和不含絮状物的40组数据;所述每组数据为一8维特征向量。
本发明的方法能提高临床诊断的准确性,减轻临床检验人员工作强度,可取代现有的人工检测技术,以更高的可靠性和精度,更快的速度,无损、智能地识别出血液产品中的絮状物,满足当今社会对检验医学的要求。不仅如此,本发明基十计算机图像处理技术的图像分割方法和特征参数的选取,对于其他类型图像的分割和特征参数选取亦有借鉴作用,对于检验医学的发展具有理论意义和应用价值。
总的来说,本发明的方法与传统的人工检测相比,对血液质量的检测将具有更高的可靠性和稳定性,速度更快、精度更高、可同时检测多个指标,提高生产效率,减少劳动强度,降低检测成本。
附图说明
图1为本发明的血浆絮状物识别处理流程图。
图2为本发明的血浆絮状物训练库的图像处理图;图2A为背景去除后的图像;图2B为反色处理后的图像;图2C为中值滤波处理后的图像;图2D为灰度切割处理后的图像;图2E为迭代阈值分割处理后的图像;图2F为二次细分割处理后的图像。
图3为最佳实施例的待测样品判断图;图3A为含有絮状物的待测样品的原始图像;图3B为不含絮状物的待测样品的原始图像;图3D为含有絮状物的待测样品经处理后的图像;图3D为不含絮状物的待测样品经处理后的图像。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应该理解这些实施例仅用于说明本发明,而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求一种血浆絮状物的检测方法,发明以袋装血液产品为检测对象,应用机电一体化、机器视觉及医学图像处理等技术,运用图像处理的算法,建立针对不合格血液产品判定指标的神经网络模型;通过实验数据,建立基于机器视觉技术的血浆絮状物智能检测方法。
本方法的步骤为:
(1):获得血浆图像;
(2):处理步骤1所得的血浆图像,所述处理步骤为:
(201):将血骤1所得的血浆图像的彩色图像制为灰度图;
(202):剔除步骤201所得灰度图的背景得目标图像;
(203):将步骤202所得图像进行增强处理后得絮状物亮度较高的图像;在具体实施时,将步骤202所得图像灰度值翻转后得反色处理后的图像,将上述反色处理后的图像进行中值滤波处理后经灰度切割法目标絮状物突出的图像;
(204):将步骤203所得图像进行图像分割得去除图像杂质的图像;在具体实施时,将步骤203所得图像用迭代阈值分割法进行初分割,再对所得初分割图像进行二次细分割;所述二次细分割指标注图像的连通区域后生成标注矩阵,测量所述标注矩阵连通区域的像素个数后确定连通区域面积,设定所述区域面积的上下门限得去除杂质的图像。
(3):提取步骤2所得图像的特征参数;所述特征参数包括基本统计信息和纹理统计信息;在具体实施时,基本统计信息为图像均值、图像标准差、目标区域的面积、目标区域的欧拉数;所述纹理统计信息为平滑度、三阶矩、一致性和熵。
(4):对步骤3所述特征参数作归一化处理后建立神经网络模型;所述神经网络包括输入层、隐含层和输出层;所述输入层的神经元数为8,输入向量范围为[-1,1];所述隐含层神经元数为20,神经元传递函数采用S型正切函数tansig;所述输出层:输出层神经元数为2,神经元传递函数采用S型对数函数logsig;以及网络训练函数为trainlm,学习函数为learngdm,性能函数为mse。在具体实施时,神经网络的最大训练次数为1000,网络训练精度为1e-6,网络学习率为0.01。训练函数trainlm采用Levenberg-Marquardt算法。神经网络模型的输出结果为:含有絮状物或正常;所述含有絮状物样本为(1,0);所述正常样本为(0,1)。神经网络模型的输入样本量为80组数据,所述80组数据包括含有絮状物的40组数据和不含絮状物的40组数据;所述每组数据为一8维特征向量。
图1为本发明的血浆絮状物识别处理流程图,图2为本发明的血浆絮状物训练库的图像处理图,图3为的待测样品判断图,结合图1、图2和图3进一步说明本实施例的步骤。
具体实施例
1. 图像采集
图像采集的手段很多,通常情况下可选择照相机或者摄像机,在本实施例中,采用工业高速照相机进行拍照,任一血浆袋采集至少1副图像。可以理解的是,采集后的图像需计算机进行处理。获得的图像可以通过各种方式输出给计算机,可以通过存储卡,也可以通过数据线,本发明在具体实施时,可以通过工业高速照相机数据线实时传输给电脑。
2. 图像处理
一般来说,血浆图像由目标、背景、噪声和干扰组成。其中,目标是血浆絮状物,背景指的是图像中血浆袋区域周围的黑色区域。噪声的形成有几种原因:(1)血浆袋壁上划痕;(2)袋壁上字体和刻度线;(3)血浆袋外壁污物;(4)随机噪声。本实施例中,干扰则主要来自气泡的影响。因此,为了更好的实施本发明,必须对图像进行处理,所述处理步骤为:
2.1 制灰度图
将彩色图转化为易于区分血浆絮状物的灰度图。由于彩色图像颜色种类较多,不利于图像处理。而灰度图比较简单,将彩色图转为灰度图,即易于区分血浆絮状物,也可以提高图像的处理速度。
2.2 背景去除
如图2A所示,剔除图像背景得到血浆区域的图像。本步骤的主要目的是剔除图像背景,提取图像中的血浆区域。本发明所得图像背景全为黑色,与高亮的血浆袋主体区域差别较大,通过分割方法可去除背景。
2.3 反色处理
如图2B所示,将图像灰度值翻转后得到亮色区域的灰色细节增强的图像。本步骤可增强嵌入图像亮色区域的灰色细节。
2.4 滤波处理
如图2C所示,采用中值滤波处理得到模糊少、细节完整的图像。中值滤波可以消除各种噪音声源和一些干扰引起的虚假细节。同时又能克服其他滤波方法所带来的图像细节模糊的问题,而且对滤除脉冲干扰及图像扫描噪声非常有效。因为,本发明采用中值滤波后的图像模糊少,比较清晰,图像细节部分信息保存完整,达到最优的滤波效果。可以理解的是,根据不同的实验条件,也可采用均值滤波、高斯滤波或维纳滤波对图像进行处理。
2.5 图像增强
如图2D所示,采用灰度切割法得到对比度增强、絮状物目标亮度突出的图像;本步骤为了加强图像各个部分的反差,提高图像中感兴趣的灰度区域,相对抑制不敢兴趣的灰度区域。细小的血浆絮状物颜色很强,为了更敏感的检测出絮状物目标区域,必须对含有絮状物的图像进行图像增强处理。可以理解的是,也可以采用线性灰度变换法对图像进行增强处理,在本实施例中,灰度切割能更有效地增强图像的对比度,突出图像中絮状物目标的亮度。
2.6 图像分割
本步骤的目的是为了消除图像中气泡的干扰,分割出絮状物目标区域,由初分割(迭代阈值分割法)与二次细分割组合而成。
首先,如图2E所示,对初分割方法的选取,采用迭代阈值分割法对图像进行初分割。
经过初分割以后,依然存在一定量的气泡杂质块,这时需要对图像进行二次细分割。根据含絮状物血浆图像的先验知识可知,絮状物的目标区域比较大,而经过初分割以后,杂质块主要是面积非常小的单个气泡或者是面积较大的连在一起的气泡。这两种杂质块的面积要么远小于絮状物的面积,要么远大于絮状物的面积。所以,对于二次细分割,本研究采用的技术路线是:首先标注图像的连通区域,生成标注矩阵。接着测量标注矩阵连通区域的像素个数,从而确定各个连通区域的面积。最后通过设定两个面积门限来去除杂质。从图3F中可以看出,经过二次细分割以后的图像基本上已经去掉了干扰,没有对目标造成破坏。
可以理解的是,初分割方法还可以采用人工选择法、自动阈值法中的迭代阈值分割法、Otsu法、最小误差阈值选择法。本实施例采用迭代阈值分割法的优点在于,可以在无人介入的情况下,自动选取阈值对图像进行分割,而且能够去除图像中大量的干扰。
3 特征提取
对经过步骤2处理后的图像进行特征提取。提取的特征参数主要包括基本统计信息和纹理统计信息。基本统计信息为图像均值、图像标准差、目标区域的面积和目标区域的欧拉数。纹理统计信息为平滑度、三阶矩、一致性和熵。本实施例采用统计法提取纹理统计信息。可以理解的是,纹理统计信息是反映像素灰度的空间分布属性的图像特征,因此,提取图像的纹理统计信息除了采用统计法,还可以采用频谱法。本实施例中,统计法基于图像的灰度直方图特性来描述纹理统计信息。
4 建立模型
可以理解的是,神经网络模型是基于计算机而运行,因此,本发明将上述特征参数提取后进入神经网络模型单元。首先对获取的特征参数进行了归一化处理。网络的输入有80组样本数据,每一组数据是一个8维的特征向量。80组数据中有40组数据代表含有絮状物的样本,另40组代表不含絮状物的样本。由于样本有含有絮状物和不含用絮状物(正常)两种模式,所以模型采用两种方式表示:含有絮状物:(1,0);正常:(0,1)。
本发明设计的神经网络模型分三层,由输入层、隐含层和输出层组成。网络输入层神经元个数为8,输出层神经元个数为2,隐含层神经元个数根据经验公式和多次试验确定20。网络的输入向量范围为[-1,1],隐含层神经元的传递函数采用的是S型正切函数tansig,输出层神经元传递函数采用的是S型对数函数logsig。网络的训练函数采用的是trainlm,学习函数采用的是learngdm,性能函数采用的是mse。本发明利用matlab 7.9神经网络工具箱来创建神经网络模型。训练函数trainlm利用Levenberg-Marquardt算法对网络进行训练。网络最大训练次数设置为1000,网络的训练精度设置为1e-6,网络的学习率设置为0.01。
5 待测样品检测
将待测血浆袋i和待测血浆袋ii经具体实施例中步骤1至3处理后,存入计算机。待测样品i为含絮状物的血浆,原图如图3A所述,经处理后的图像如图3C所示;待测样品ii为不含絮状物的需将,原图如图3B所述,经处理后的图像如图3D所示。可见,经步骤1至3处理后,絮状物呈像明显、判断准确。可以理解的是,本实施例在判断时,可以与已建立的模型进行对比,实施例的判断结果直接输出。
6 结果输出
待测样品1输出数据为(1,0);待测样品2输出数据为:(0,1)。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种血浆絮状物的检测方法,其特征在于,包括血浆絮状物训练库建立及待测样品血浆絮状物判断;所述血浆絮状物训练库建立的步骤为:
(1):获得血浆图像;
(2):处理步骤1所得的血浆图像,所述处理步骤为:
(201):将血骤1所得的血浆图像的彩色图像制为灰度图;
(202):剔除步骤201所得灰度图的背景得目标图像;
(203):将步骤202所得图像进行增强处理后得絮状物亮度较高的图像;
(204):将步骤203所得图像进行图像分割得去除图像杂质的图像;
(3):提取步骤204所得图像的特征参数;所述特征参数包括基本统计信息和纹理统计信息;
(4):对步骤3所述特征参数作归一化处理后建立神经网络模型;所述神经网络包括输入层、隐含层和输出层;所述输入层的神经元数为8,输入向量范围为[-1,1];所述隐含层神经元数为20,神经元传递函数采用S型正切函数tansig;所述输出层:输出层神经元数为2,神经元传递函数采用S型对数函数logsig;网络训练函数为trainlm,学习函数为learngdm,性能函数为mse;以及
待测样品血浆絮状物判断的步骤为:
(1')待测样品依次经步骤1、步骤2和步骤3处理后所得特征参数与步骤4所得模型进行对比和判断;
(2')输出步骤(1')所得结果。
2.根据权利要求1所述的一种血浆絮状物的检测方法,其特征在于,步骤203所述的增强处理为:将步骤202所得图像灰度值翻转后得反色处理后的图像,将上述反色处理后的图像进行中值滤波处理后经灰度切割法目标絮状物突出的图像。
3.根据权利要求1所述的一种血浆絮状物的检测方法,其特征在于,步骤204所述的图像分割为:将步骤203所得图像用迭代阈值分割法进行初分割,再对所得初分割图像进行二次细分割;所述二次细分割指标注图像的连通区域后生成标注矩阵,测量所述标注矩阵连通区域的像素个数后确定连通区域面积,设定所述区域面积的上下门限得去除杂质的图像。
4.根据权利要求1所述的一种血浆絮状物的检测方法,其特征在于,步骤3所述的基本统计信息为:图像均值、图像标准差、目标区域的面积、目标区域的欧拉数;以及
所述纹理统计信息为:平滑度、三阶矩、一致性和熵。
5.根据权利要求1所述的一种血浆絮状物的检测方法,其特征在于,步骤4所述神经网络的最大训练次数为1000,网络训练精度为1e-6,网络学习率为0.01。
6.根据权利要求1所述的一种血浆絮状物的检测方法,其特征在于,步骤4所述的训练函数trainlm采用Levenberg-Marquardt算法。
7.根据权利要求1至6任一权利要求所述的一种血浆絮状物的检测方法,其特征在于,所述神经网络模型的输出结果为:含有絮状物或正常;所述含有絮状物样本为(1,0);所述正常样本为(0,1)。
8.根据权利要求7所述的一种血浆絮状物的检测方法,其特征在于,所述神经网络模型的输入样本量为80组数据,所述80组数据包括含有絮状物的40组数据和不含絮状物的40组数据;所述每组数据为一8维特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103080432A CN102509106A (zh) | 2011-10-12 | 2011-10-12 | 血浆絮状物的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103080432A CN102509106A (zh) | 2011-10-12 | 2011-10-12 | 血浆絮状物的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102509106A true CN102509106A (zh) | 2012-06-20 |
Family
ID=46221187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103080432A Pending CN102509106A (zh) | 2011-10-12 | 2011-10-12 | 血浆絮状物的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509106A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980860A (zh) * | 2017-04-07 | 2017-07-25 | 广州誉康医药有限公司 | 一种用于液体介质交叉配血的结果自动判读方法 |
CN109685860A (zh) * | 2019-01-10 | 2019-04-26 | 青岛浦利医疗技术有限公司 | 絮状物颜色确定方法及装置 |
CN110794151A (zh) * | 2019-10-30 | 2020-02-14 | 中山生物工程有限公司 | 用于检测血型卡质量的方法、装置、终端、介质及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
-
2011
- 2011-10-12 CN CN2011103080432A patent/CN102509106A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713776A (zh) * | 2009-11-13 | 2010-05-26 | 长春迪瑞实业有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
Non-Patent Citations (1)
Title |
---|
张赞超: "全自动尿液粒子分析系统核心技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980860A (zh) * | 2017-04-07 | 2017-07-25 | 广州誉康医药有限公司 | 一种用于液体介质交叉配血的结果自动判读方法 |
CN109685860A (zh) * | 2019-01-10 | 2019-04-26 | 青岛浦利医疗技术有限公司 | 絮状物颜色确定方法及装置 |
CN109685860B (zh) * | 2019-01-10 | 2020-12-01 | 青岛浦利医疗技术有限公司 | 絮状物颜色确定方法及装置 |
CN110794151A (zh) * | 2019-10-30 | 2020-02-14 | 中山生物工程有限公司 | 用于检测血型卡质量的方法、装置、终端、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7148581B2 (ja) | コロニーコントラスト収集 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
US9477875B2 (en) | Cell monitoring device, cell monitoring method and program thereof | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
US11880974B2 (en) | Method and device for detecting circulating abnormal cells | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
Chen et al. | Automated inspection of engineering ceramic grinding surface damage based on image recognition | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN106370668A (zh) | 一种咸蛋内部品质的在线视觉检测装置及其方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN115345876B (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN103984964A (zh) | 一种试纸条图像识别方法及系统 | |
CN111199194A (zh) | 基于机器视觉和深度学习的汽车智能座舱仪表测试方法 | |
CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN102509106A (zh) | 血浆絮状物的检测方法 | |
KR20200136004A (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
CN107545565A (zh) | 一种太阳能网版检测方法 | |
CN113781426A (zh) | 一种识别液体成分的智能安检方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120620 |