CN102636656A - 一种全自动尿有形成分分析仪的校准方法 - Google Patents

Abstract

本发明涉及一种全自动尿有形成分分析仪的校准方法，属于图像处理技术领域。通过对校准图像进行处理，提取形状、纹理和频域特征，利用基于人工神经网络的智能识别方法对其形态进行自动分类，以监测全自动尿有形成分分析仪的工作状态，保证全自动尿有形成分分析仪测试结果的准确性和可靠性。

Description

一种全自动尿有形成分分析仪的校准方法

技术领域

本发明属于图像处理技术领域，特别涉及一种全自动尿有形成分分析仪的校准方法。

背景技术

尿有形成分检查是医院常规检查项目之一，对临床泌尿系统疾病诊断、治疗监测及健康普查具有重要意义。传统的利用人工显微镜检查的方法劳动强度大，效率低。全自动尿有形成分分析仪利用自动化技术和智能识别技术，对尿液中的有形成分自动进行分析识别，分类计数，极大的提高了医院检验科的工作效率，这就需要正确的方法，确保全自动尿有形成分分析仪检验结果的准确性。

发明内容

本发明提供一种全自动尿有形成分分析仪的校准方法，通过对校准图像进行分析，以监测全自动尿有形成分分析仪的工作状态，保证测试结果的准确性和可靠性。

本发明采用的流式显微系统由流动池、流体驱动机构、显微镜、光源、摄像头和处理器组成。校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在显微镜后面的摄像头拍摄图像，图像送到处理器的内存中存储，处理器对图像进行分析。

校准液由包含校准微粒的悬浮液组成，校准微粒是经过处理的红细胞。

本发明采取的技术方案是：包括下列步骤：

(一)、对摄像头拍摄的一组图像进行分割，从拍摄的大图中分割出包含单个校准微粒的小图像；具体是对拍摄的大图进行边缘提取，得到边缘图像；对边缘图像进行阈值分割，分割方法采取灰度阈值法或区域生长法或基于数学形态学的方法，具体采用固定阈值法实现边缘图像的分割，得到二值图像；对二值图像首先进行一次形态学膨胀运算，然后再进行种子填充，定位校准微粒，得到校准微粒图像；

(二)、对分割出的校准微粒图像进行处理，步骤为：

(1)用灰度阈值法进行二值化：用Otsu方法确定阈值，将校准微粒图像二值化；

(2)填充空洞：用填充算法对目标的空洞进行填充；

(3)杂质去除：将小的杂质成分滤除掉，只留下面积最大的区域作为校准微粒图像的二值化结果图像；

(三)、提取特征：

从二值图像获取以下与区域形状相关的特征：

(1)形状特征：

面积：即目标所占像素的个数；

周长：即目标边界包含的像素的个数；可以通过边界跟踪算法获得；

圆形度：目标区域的面积与周长平方的比值，反映目标与圆接近的程度；

矩形度：目标的面积与外接矩形面积之比；

占空比：目标的空洞与目标面积的比值；

不变矩：即Hu不变矩。它具有平移、旋转和比例不变的特点；

(2)纹理特征：

纹理特征直接从校准微粒图像的灰度图像提取，包括均值、方差、熵等特征；

(3)频域特征：

即基于Fourier变换的特征。

设f(x，y)为小微粒图像在(x，y)处的灰度值，则其Fourier变换为：

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}$

Fourier变换的计算可通过快速算法实现；

由图像的Fourier变换可获得二个特征：

(1)pow＝∑∑|F(u，v)|，其中u，v在Fourier变换图像以中心为圆心的某个圆的内部，反映图像在某个范围内的谱能量的多少；

(2)pow₁＝∑∑|F(u，v)|，其中求和是对于以原点为圆心的某个圆的外部进行。

(四)、全自动尿有形成分分析仪状态分析：通过对校准微粒的形态特征进行分析，可以对全自动尿有形成分分析仪的不正常的状态进行判断，从而提示对系统进行必要的调整。根据形态可以把校准微粒分成以下四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的微粒；

为了检测这些不正常现象，收集这些情况下的校准微粒图像，作为训练集。对每个校准微粒图像提取前述的各种特征。利用人工神经网络对其进行分类。通过每种类型的校准微粒所占比例，判断全自动尿有形成分分析仪的工作状态；

将选定的训练样本集输入BP神经网络，经过反复训练，不断调整神经网络的权值，当神经网络的误差平方和达到预先设置的较小的值时，训练完成，停止训练，得到训练好的神经网络；

五、尿有形成分分析仪的校准：分析仪拍摄校准微粒的图像，并对校准图像进行分析处理，通过训练好的BP神经网络，将校准微粒分为四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的微粒；当正常微粒所占比例很高时，说明全自动尿有形成分分析仪处于正常工作状态；如果光晕大的微粒或中间带黑点的微粒所占比例较高，说明分析仪焦点不正确，需重新聚焦或检查并调整光学机构；如果竖立起来的微粒所占比例较高，说明流动池的层流有问题，则需检查流动池或分析仪的液路部分，以排除故障，从而保证分析仪测试结果的准确性和可靠性。

通过分析拍摄的校准微粒的形态特征，可以对全自动尿有形成分分析仪的这些不正常的状态进行判断，从而提示对系统进行必要的调整，以保证全自动尿有形成分分析仪的正常工作。

这里采用BP神经网络进行分类识别。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整神经网络的权值和阈值，使神经网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。

本发明通过动化技术和智能识别技术，对尿液中的有形成分自动进行分析识别，分类计数，以监测全自动尿有形成分分析仪的工作状态，保证全自动尿有形成分分析仪测试结果的准确性和可靠性。极大的提高了医院检验科的工作效率。

附图说明

图1是流式显微系统结构图：其中10表示处理器，20表示摄像头；30表示显微镜，40表示流动池，50表示光源；

图2是神经网络结构图；

图3是用0填充的微粒图像的频域图像；

图4是用背景填充的微粒图像的频域图像。

具体实施方式

本发明采用的流式显微系统由流动池、流体驱动机构、显微镜、光源、摄像头和处理器组成。校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在显微镜后面的摄像头拍摄图像，图像送到处理器的内存中存储，处理器对图像进行分析。

校准液由包含校准微粒的悬浮液组成，校准微粒是经过处理的红细胞。

校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在显微镜后面的高速摄像机拍摄500幅包含校准微粒的图像，每幅图像的大小为800×600。其特征在于通过对图像进行分析，对尿有形成分分析仪进行校准。包括以下步骤：

一、图像分割：对拍摄的每一幅图像都进行图像分割，从中分割出校准微粒图像。首先对图像用Sobel算子进行卷积运算，得到边缘图像。取阈值T＝180对边缘图像进行二值化，大于T的像素作为目标点，小于T的像素作为背景点，这样就得到二值图像。对二值图像进行一次形态学膨胀运算，并对各个目标进行填充。用行扫描方法定位各个目标的位置，在相应位置处分割出校准微粒图像，分割出的校准微粒图像为灰度图像，大小统一取为32×32。

二、通过上一步的图像分割，得到校准微粒图像，其数量在900～1100之间。对这些校准微粒图像进行处理，步骤为：

(1)用灰度阈值法进行二值化：用最大类间方差法，即Otsu方法确定阈值T，由此得到二值图像。此二值图像除了包含校准微粒外，还可能包含一些小的目标，这些小目标均作为杂质处理。

(2)填充空洞：用填充算法对目标的空洞进行填充；

(3)去除杂质：利用连通区域标记算法，去除所有的小目标，只留下面积最大的连通区域作为校准微粒图像的二值化结果。

三、提取特征：

提取基于形状的特征、基于纹理的特征和频域特征。

(1)形状特征：

面积：area，即目标包含的像素数；

周长：Perimeter，目标的边界包含的像素数，可由边界追踪算法得到；

圆形度：

周长的平方与面积之比值，反映目标接近圆的程度；

占空比：目标的空洞与目标面积的比值。目标空洞是目标中灰度值大于阈值T的像素点的个数。

不变矩(基于二值图像)：

对于一幅M×N的图像f(x，y)，其p+q阶矩定义为：

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q)f(x,y),$

其中：

$\stackrel{\‾}{x}=\frac{\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{xf}(x,y)}{\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)},$ $\stackrel{\‾}{y}=\frac{\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{yf}(x,y)}{\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)}$

令

可以获得七个关于图像平移、旋转、缩放不变的特征，称为Hu不变矩特征。这里只选取一个不变矩特征：φ₁＝η₂₀+η₀₂；

(2)纹理特征：

纹理特征直接从校准微粒的灰度图像提取。

均值：

其中p_i为像素值为i的像素在图像中所占的比例。

方差： $\mathrm{var}=\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{(i-\mathrm{mean})}^2{p}_i.$

熵：

图像的熵反映了图像中平均信息量的多少。

(3)频域特征：即基于Fourier变换的特征。

设f(x，y)为小微粒图像在(x，y)处的灰度值，则其Fourier变换为：

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}$

Fourier变换的计算可通过快速算法实现。

由图像的Fourier变换可获得二个特征：

(1)pow＝∑∑|F(u，v)|，其中u，v在Fourier变换图像以中心为圆心的某个圆的内部，反映图像在某个范围内的谱能量的多少；

(2)pow₁＝∑∑|F(u，v)|，其中求和是对于以原点为圆心的某个圆的外部进行。

四、全自动尿有形成分分析仪状态分析：通过对校准微粒的形态特征进行分析，可以对全自动尿有形成分分析仪的不正常的状态进行判断，从而提示对系统进行必要的调整。根据形态可以把校准微粒分成以下四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的微粒。

为了检测分析器是否处于正常状态，收集各种情况下的校准微粒图像，作为训练集，对BP人工神经网络进行训练。训练好神经网络后，利用神经网络对校准图像进行分类。通过每种类型的校准微粒所占比例，判断全自动尿有形成分分析仪的工作状态。当正常微粒的比例在85％以上时，认为分析仪处理正常状态；任一类不正常微粒的比例超过15％，都意味着仪器异常，需根据异常微粒的类别，判断仪器的问题所在，进而进行相应的处理，以保证仪器测试结果的准确性和可靠性。

五、尿有形成分分析仪的校准：分析仪拍摄校准微粒的图像，并对校准图像进行分析处理，通过训练好的BP神经网络，将校准微粒分为四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚竖立起来的微粒。当正常微粒所占比例很高时，说明全自动尿有形成分分析仪处于正常工作状态。如果光晕大的微粒或中间带黑点的微粒所占比例较高，说明分析仪焦点不正确，需重新聚焦或检查并调整光学机构；如果竖立起来的微粒所占比例较高，说明流动池的层流有问题，则需检查流动池或分析仪的液路部分，以排除故障，从而保证分析仪测试结果的准确性和可靠性。

Claims (1)

1.一种全自动尿有形成分分析仪的校准方法，其特征在于：包括下列步骤：

(一)、对摄像头拍摄的一组图像进行分割，从拍摄的大图中分割出包含单个校准微粒的小图像；具体是对拍摄的大图进行边缘提取，得到边缘图像；对边缘图像进行阈值分割，分割方法采取灰度阈值法或区域生长法或基于数学形态学的方法，具体采用固定阈值法实现边缘图像的分割，得到二值图像；对二值图像首先进行一次形态学膨胀运算，然后再进行种子填充，定位校准微粒，得到校准微粒图像；

(二)、对分割出的校准微粒图像进行处理，步骤为：

(1)用灰度阈值法进行二值化：用Otsu方法确定阈值，将校准微粒图像二值化；

(2)填充空洞：用填充算法对目标的空洞进行填充；

(3)杂质去除：将小的杂质成分滤除掉，只留下面积最大的区域作为校准微粒图像的二值化结果图像；

(三)、提取特征：

从二值图像获取以下与区域形状相关的特征：

(1)形状特征：

面积：即目标所占像素的个数；

周长：即目标边界包含的像素的个数；可以通过边界跟踪算法获得；

圆形度：目标区域的面积与周长平方的比值，反映目标与圆接近的程度；

矩形度：目标的面积与外接矩形面积之比；

占空比：目标的空洞与目标面积的比值；

不变矩：即Hu不变矩。它具有平移、旋转和比例不变的特点；

(2)纹理特征：

纹理特征直接从校准微粒图像的灰度图像提取，包括均值、方差、熵等特征；

(3)频域特征：

即基于Fourier变换的特征。

设f(x，y)为小微粒图像在(x，y)处的灰度值，则其Fourier变换为：

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{-j2\mathrm{\π}(\mathrm{ux}/M+\mathrm{vy}/N)}$

Fourier变换的计算可通过快速算法实现；

由图像的Fourier变换可获得二个特征：

(1)pow＝∑∑|F(u，v)|，其中u，v在Fourier变换图像以中心为圆心的某个圆的内部，反映图像在某个范围内的谱能量的多少；

(2)pow₁＝∑∑|F(u，v)|，其中求和是对于以原点为圆心的某个圆的外部进行；

(四)、全自动尿有形成分分析仪状态分析：通过对校准微粒的形态特征进行分析，可以对全自动尿有形成分分析仪的不正常的状态进行判断，从而提示对系统进行必要的调整；根据形态可以把校准微粒分成以下四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的微粒；

为了检测这些不正常现象，收集这些情况下的校准微粒图像，作为训练集；对每个校准微粒图像提取前述的各种特征，利用人工神经网络对其进行分类，通过每种类型的校准微粒所占比例，判断全自动尿有形成分分析仪的工作状态；

将选定的训练样本集输入BP神经网络，经过反复训练，不断调整神经网络的权值，当神经网络的误差平方和达到预先设置的较小的值时，训练完成，停止训练，得到训练好的神经网络；

五、尿有形成分分析仪的校准：分析仪拍摄校准微粒的图像，并对校准图像进行分析处理，通过训练好的BP神经网络，将校准微粒分为四类：正常微粒、位于焦点前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的微粒；当正常微粒所占比例很高时，说明全自动尿有形成分分析仪处于正常工作状态；如果光晕大的微粒或中间带黑点的微粒所占比例较高，说明分析仪焦点不正确，需重新聚焦或检查并调整光学机构；如果竖立起来的微粒所占比例较高，说明流动池的层流有问题，则需检查流动池或分析仪的液路部分，以排除故障。

Images