CN102636656A - 一种全自动尿有形成分分析仪的校准方法 - Google Patents
一种全自动尿有形成分分析仪的校准方法 Download PDFInfo
- Publication number
- CN102636656A CN102636656A CN201210093565XA CN201210093565A CN102636656A CN 102636656 A CN102636656 A CN 102636656A CN 201210093565X A CN201210093565X A CN 201210093565XA CN 201210093565 A CN201210093565 A CN 201210093565A CN 102636656 A CN102636656 A CN 102636656A
- Authority
- CN
- China
- Prior art keywords
- particulate
- image
- calibration
- analyser
- full
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
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
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:
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;
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:
其中:
(2)纹理特征:
纹理特征直接从校准微粒的灰度图像提取。
方差:
(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:
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210093565 CN102636656B (zh) | 2012-04-01 | 2012-04-01 | 一种全自动尿有形成分分析仪的校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210093565 CN102636656B (zh) | 2012-04-01 | 2012-04-01 | 一种全自动尿有形成分分析仪的校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102636656A true CN102636656A (zh) | 2012-08-15 |
CN102636656B CN102636656B (zh) | 2013-07-24 |
Family
ID=46621125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210093565 Active CN102636656B (zh) | 2012-04-01 | 2012-04-01 | 一种全自动尿有形成分分析仪的校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102636656B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
CN107490850A (zh) * | 2017-08-26 | 2017-12-19 | 湖南友哲科技有限公司 | 一种稀疏标本快速聚焦方法 |
CN110188592A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN110940734A (zh) * | 2019-12-04 | 2020-03-31 | 中国科学院武汉岩土力学研究所 | 岩体内部异常结构监测与潜在地质灾害评估方法及系统 |
CN112710590A (zh) * | 2019-10-25 | 2021-04-27 | 苏州迈瑞科技有限公司 | 尿液检测方法、尿液检测设备及计算机可读存储介质 |
WO2023091351A1 (en) * | 2021-11-17 | 2023-05-25 | Becton, Dickinson And Company | Methods for dynamic real-time adjustment of a data acquisition parameter in a flow cytometer |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757476A (en) * | 1995-12-19 | 1998-05-26 | Toa Medical Electronics Co., Ltd. | Analyzer for analyzing particle components in urine with flow cytometry |
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 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
-
2012
- 2012-04-01 CN CN 201210093565 patent/CN102636656B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757476A (en) * | 1995-12-19 | 1998-05-26 | Toa Medical Electronics Co., Ltd. | Analyzer for analyzing particle components in urine with flow cytometry |
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 |
CN101900737A (zh) * | 2010-06-10 | 2010-12-01 | 上海理工大学 | 基于支持向量机的尿沉渣有形成分自动识别系统 |
Non-Patent Citations (1)
Title |
---|
刘大鹏,郑建立,杜志传: "基于DSP的尿沉渣图像中有形成分的提取", 《微计算机信息》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
CN107490850A (zh) * | 2017-08-26 | 2017-12-19 | 湖南友哲科技有限公司 | 一种稀疏标本快速聚焦方法 |
CN110188592A (zh) * | 2019-04-10 | 2019-08-30 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN110188592B (zh) * | 2019-04-10 | 2021-06-29 | 西安电子科技大学 | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 |
CN112710590A (zh) * | 2019-10-25 | 2021-04-27 | 苏州迈瑞科技有限公司 | 尿液检测方法、尿液检测设备及计算机可读存储介质 |
CN110940734A (zh) * | 2019-12-04 | 2020-03-31 | 中国科学院武汉岩土力学研究所 | 岩体内部异常结构监测与潜在地质灾害评估方法及系统 |
CN110940734B (zh) * | 2019-12-04 | 2021-03-30 | 中国科学院武汉岩土力学研究所 | 岩体内部异常结构监测与潜在地质灾害评估方法及系统 |
WO2023091351A1 (en) * | 2021-11-17 | 2023-05-25 | Becton, Dickinson And Company | Methods for dynamic real-time adjustment of a data acquisition parameter in a flow cytometer |
Also Published As
Publication number | Publication date |
---|---|
CN102636656B (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
JP6870826B2 (ja) | 側方多視点から試料を定量化するように構成された方法及び装置 | |
Quinn et al. | Deep convolutional neural networks for microscopy-based point of care diagnostics | |
Dhieb et al. | An automated blood cells counting and classification framework using mask R-CNN deep learning model | |
Tomari et al. | Computer aided system for red blood cell classification in blood smear image | |
CN108961208A (zh) | 一种聚集白细胞分割计数系统及方法 | |
CN109359569B (zh) | 一种基于cnn的红细胞图像亚分类方法 | |
CN105445170B (zh) | 识别生物样品目标组分的方法和分析生物流体样品的装置 | |
Ahirwar et al. | Advanced image analysis based system for automatic detection and classification of malarial parasite in blood images | |
EP3364341A1 (en) | Analyzing digital holographic microscopy data for hematology applications | |
CN110376198A (zh) | 一种宫颈液基细胞切片质量检测系统 | |
Yang et al. | Faster R-CNN based microscopic cell detection | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 | |
US20240119747A1 (en) | Deep neural network-based method for detecting living cell morphology, and related product | |
EP4229460A2 (en) | Systems and methods for autofocus and automated cell count using artificial intelligence | |
Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
CN110120056A (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 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN109978771A (zh) | 基于内容分析的细胞图像快速融合方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
Suhail et al. | A review on various methods for recognition of urine particles using digital microscopic images of urine sediments | |
Karunakar et al. | An unparagoned application for red blood cell counting using marker controlled watershed algorithm for android mobile |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 130012 Changchun province high tech Zone, the River Street, No. 95, No. Patentee after: Medical Polytron Technologies Inc Address before: 130012 Changchun province high tech Zone, the River Street, No. 95, No. Patentee before: Changchun Dirui Medical Technology Co., Ltd. |
|
CP01 | Change in the name or title of a patent holder |