CN107099577A - 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 - Google Patents
基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 Download PDFInfo
- Publication number
- CN107099577A CN107099577A CN201710126484.8A CN201710126484A CN107099577A CN 107099577 A CN107099577 A CN 107099577A CN 201710126484 A CN201710126484 A CN 201710126484A CN 107099577 A CN107099577 A CN 107099577A
- Authority
- CN
- China
- Prior art keywords
- candida albicans
- layer
- characteristic pattern
- convolutional network
- vaginal fluid
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/37—Assays involving biological materials from specific organisms or of a specific nature from fungi
- G01N2333/39—Assays involving biological materials from specific organisms or of a specific nature from fungi from yeasts
- G01N2333/40—Assays involving biological materials from specific organisms or of a specific nature from fungi from yeasts from Candida
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Organic Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Zoology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Wood Science & Technology (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,包括以下步骤:1)针对念珠菌偏圆形特征(卵圆或者“8”字形),基于Hough圆检测和形态学运算的方法分割出阴道分泌物湿片念珠菌的候选区域;2)基于深度卷积网络的特征提取;3)构建基于CNN(Convolutional Neural Network,深度卷积网络)‑SVM(Support Vector Machine,支持向量机)的分类模型,实现念珠菌识别。本发明采用了基于Hough圆检测和深度卷积网络的图像处理和识别方法,能方便、经济、高效率地实现阴道分泌物湿片念珠菌检测,满足医学运用的智能、快速精确性要求。
Description
技术领域
本发明涉及医学图像处理与识别的研究领域,特别涉及一种基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法。
背景技术
念珠菌是一种真菌,念珠菌中的白色念珠菌通常会引起念珠菌性阴道炎,念珠菌性阴道炎又称外阴阴道念珠菌病(VVC),是一种常见的阴道及外阴道疾病;而白细胞的生成是由女性体内对抗自身妇科炎症而产生;据统计,在美国处于生育年龄的健康妇女中,VVC的发生率约为75%,其中包含5%的妇女则患有复发性外阴阴道炎(RVVC),由此引起的妇科炎症如果发现治疗不及时,会导致女性宫颈炎、不孕不育等严重后果;更为严重的甚至患上妇科癌症。由于临床抗菌素和激素类药物等的广泛应用,目前该病发病率呈现出继续上升的趋势,且复发几率较高,严重危害女性的生理健康。临床妇科检查此类疾病主要通过在显微镜下观测白带涂片中念珠菌及白细胞的个数来对患病信息进行诊断,白带的实验室检测方法有:涂片的直接镜检法、革兰氏染色法、快速凝集法、真菌培养和分子生物学等方法。为了适合门诊常规检验的快速和准确报告生成的要求,对现在常用的直接涂片镜检法和快速乳胶凝集法两种检测方法进行结果对比,为临床提供可靠的检验结果。直接涂片法具有快速、操作比较简单的优点,在现实的临床诊断中取得了较为广泛的应用。但是目前医院的阅片方式仍然要靠经验丰富的细胞学医师依靠肉眼在显微镜下观察。由于仅靠人工的方法检查,不但工作强度大、效率低,而且要求医疗检测人员自身具备极为丰富的临床经验。另外由于显微镜观察的局限性,易受到阴道上皮细胞、红细胞和破碎的白细胞等观察背景的干扰,而且细胞存在弱边缘、像素差异小、相互交织和面积小等不易区分等特点,加之受杂质等噪声的影响,严重影响医生的判断,再加上医疗检测人员的主观性,造成临床诊断的错误概率大幅提升。随着医学影像数据的爆炸式增长,计算机视觉广泛应用于医学诊断中。白带涂片显微镜下的检测属于图像目标检测的范畴,和单纯的指纹、人脸识别相比,白细胞以及念珠菌的目标检测首先要对图像目标区域进行分割,接着进行识别分类,而且白细胞与念珠菌、以及其他噪声细胞特征相近,且涂片显微图像前景与背景差异较小,使得该课题的研究更具有挑战性。应用图像处理和计算机模式识别的相关技术对显微镜下的念珠菌图像进行自动分析和处理,能够有效的节省人力与物力,而且可以避免医师因为视觉疲劳而引起的观测误判。
念珠菌的显微图像识别问题涵盖着图像领域的目标检测(object detection)、目标识别分类等问题,目标检测是模式别和计算机视觉领域的重要问题,它的目的是确定图像中目标所出现的位置、大小和数量,由于目标检测问题与目标所在的背景以及目标自身的特征息息相关,使得当前问题的研究没有一个普遍适用的方法。念珠菌的图像识别作为目标检测的一个应用在医学智能诊断中具有极其重要的研究价值。基于显微图像对目标进行智能识别检测是生物医学目标智能检测的常见选择。在现有的发明中,如中国专利号为200810217589.5公开的23245.3公开的微生物智能识别方法、中国专利号为03140258.5公开的生殖感染智能识别系统与方法、中国专利号为201510946589.9公开的一种基于粒子群优化ITTI模型的白细胞区域提取方法、中国专利号为201510162768.3公开的基于超像素和异常检测的彩色血细胞图像白细胞分割方法等,它们本质上均是采用基于图像处理方法检测生物医学目标。综合近年来相关文献可知,细胞自动分类识别主要以自动、精确、快速等几个方向作为研究目标。学者们也意识到一种单独的分类识别算法难以取得特别满意的效果,因而诸如adaboost等这类算法也相继提出应用于相关的细胞目标检测中,这些为医学显微图像的分析识别技术奠定了良好的发展基础。目前国内外的细胞检测研究主要集中于干细胞、细胞质及细胞核的分离检测,宫颈细胞、癌细胞骨髓细胞的检测识别,细胞涂片通常都是干片染色之后的彩色图像,前景与背景相差较大,而且目标表现比较单一;白带涂片湿片下显微图像中白细胞与念珠菌的识别因白细胞与念珠菌与背景差异较小,呈现出若边缘性等特点,与传统的人脸检测、车牌号码检测等特征明显且易于分割等问题相比,念珠菌检测更加困难;有少量对白带细胞检测的研究,其研究对象也是基于革兰染色的干片且对比度较高、目标较为单一的彩色图像,对湿片显微图像下念珠菌的检测,本发明尚属首次研究。
特征提取与分类器设计是医学显微图像的自动分析系统的重要功能模块和技术。在特征提取和分类中,深度学习的策略越来越受到学者们的重视,如中国专利号为201610119110.9公开的发明专利:一种基于卷积神经网络模型的危险物品图像分类方法、中国专利号为201511006944.0公开的一种基于深度学习的前车车辆识别方法、中国专利号为201511005782.9公开的路况气候深度学习及识别方法和装置。但是这些应用中神经网络包含许多参数,并且需要专家依靠经验去设置,这限制了它们的使用范围。此外,对于生物医学检测应用,尤其是基于显微图像的目标检测中,特征提取与目标结合紧密。因此,如何应用深度学习的基本方法实现基于显微图像的目标检测目的,尚待研发。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,能方便、经济、高效率地实现阴道分泌物湿片念珠菌检测。
为了到达上述目的,本发明采用以下技术方案:
本发明基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,包括下述步骤:
S1、针对念珠菌偏圆形特征,基于Hough圆检测和形态学运算的方法分割出阴道分泌物湿片念珠菌的候选区域;
S2、基于深度卷积网络的特征提取,采用基于随机隐退的深度卷积网络在小样本上的学习,即将随机隐退思想应用在CNN网络参数训练上,对深度学习的隐藏层使用随机隐退的思想,来防止模型的过拟合,以加强模型在小数据集上的泛化能力:在训练的时候随机忽略掉隐含层的某些神经元,就是说,在某一次迭代过程中,让网络隐含层中的某些结点的权重不工作,不工作的这些结点可以暂时认为它们不是该网络的一部分,将其权重保留下来不更新,但是下一次迭代时,这些结点可能参与工作;
S3、构建基于CNN-SVM的分类模型,实现念珠菌识别。
作为优选的技术方案,步骤S1中,分割出候选区域的方法如下:
首先,基于形态学运算,对原始阴道分泌物湿片的数字图像进行去噪和预处理;接着基于Hough圆检测算法检测出近似圆形区域;然后,基于训练和图像参数的规则,检测和分割出阴道分泌物湿片念珠菌的候选区域;最后,基于检测候选圆计算圆心位置。
作为优选的技术方案,步骤S2中,深度神经卷积网络的构造如下:
第一层是输入层,输入层的大小为像素大小图片的像素大小;
第二次是卷积层C1,C1对输入层进行卷积运算提取特征,卷积运算可最大程度地提取原始信号的特征;
第三层是一个下采样层S2,即S2层对上一层C1做下采样处理,下采样在尽可能保留数据有用信息的同时,减少数据维度;
第四层是卷积层C3,即C3对S2进行卷积特征提取;
第五层是一个下采样层S4,S4和S2是相同的。
作为优选的技术方案,在卷积神经网络中,下采样层总是由上一层一一映射得到,因此下采样层的特征图的数目总是和上一层卷积层的特征图数目相同;
卷积层的特征图数目可自行设定,只需要采用卷积核对上一层的特征图进行卷积滤波便可得到一个特征图,另外要注意从S2到C3这个卷积过程中,C3中每一个特征图,都是从S2中的几个特征图映射后叠加起来的,而并不是一个特征图对应一个特征图。
作为优选的技术方案,C3是12个特征图,从S2到C3的映射过程是一个多到一的映射,C3的每一个特征图都是从S2的第1、2、3、4、5、6这六个特征图中卷积求和得来的,定义C3中有一个特征图为H1,则首先用5*5的感受野窗口去卷积S2中的特征图1,得到一个暂时的特征图1h;然后再用5*5的感受野窗口去卷积S2中的特征图2,得到一个暂时的特征图h2;接着用5*5的感受野窗口去卷积S2中的特征图3,得到一个暂时的特征图h3;对S2中的特征图4、5、6也采用相同的方式卷积,得到h4、h5、h6,然后加权h1、h2、h3、h4、h5、h6得到h,接着给h加一个附加偏移b再通过Sigmoid映射即可得到H1;C3其他特征图也同样卷积S2中所有特征图然后加权加偏置并映射,只是卷积核不一样,通过这种方式,可以最大限度的将上一层的所有特征进行融合,此时C3中的每一个特征图都是上一层特征的融合。
作为优选的技术方案,在步骤S3中,CNN-SVM分类器构建流程如下:
1)选取白带涂片库样本;
2)基于形态学和Hough圆检测算法,得到感兴趣区域训练图;
3)经过上述步骤,每一张产生的念珠菌图像集分别作为测试集;
4)选取N次测试得到最佳的CNN网络参数,并在此参数下提取念珠菌模式学习库的特征,作为支持向量机SVM分类器训练的输入;
5)基于SVM构建分类器模型。
作为优选的技术方案,在步骤S3中,
基于步骤S2的实施结果的深度卷积网络框架,应用Python读取反序列化后的深度卷积网络框架参数,在此深度卷积框架下对念珠菌图片进行自动特征提取,并应用SVM进行分类,择线性核函数,SVM惩罚因子默认取C=1.0,为了改变正负样本分布不均衡导致SVM分类性能下降,此时将正类的权重设为class_weight0=1.5,即在正样本上,惩罚因子为class_weight*C=1.5,而负样本惩罚因子保持不变。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用基于图像处理、深度学习、模式识别技术方案,能全自动地实现阴道分泌物湿片念珠菌检测。
2、本发明采用基于深度学习技术方案,无需对念珠菌候选区域做非常精细的分割和特征提取。因此,其能方便、经济、高效率地实现阴道分泌物湿片念珠菌检测。
3、基于大样本的学习,本发明满足医学运用的智能、快速精确性要求。
附图说明
图1为本发明检测方法流程示意图。
图2为基于深度卷积网络特征提取与SVM分类器的念珠菌检测实施流程图。
图3为CNN-SVM分类器构建流程图。
图4(a)为实施例中原始白带涂片湿片。
图4(b)为实施例中白带涂片湿片基于Hough变换检测圆后的结果。
图5(a)为基于Hough圆检测和形态学运算的方法分割出的念珠菌模式学习库样本。
图5(b)为基于Hough圆检测和形态学运算的方法分割出的非念珠菌模式学习库样本。
图6为深度卷积网络的构造。
图7为随机隐退图。
图8为中间层特征提取的图像表现形式。
图9为CNN-SVM分类器与CNN-Logstic分类器召回率对比曲线。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本发明实验平台如下。硬件环境:内存8G,处理器Intel(R)Core(TM)i5-4460@3.2GHz;软件环境:操作系统Linux,Phthon 2.7.12,深度学习库Keras,OpenCV 3.1。本实验平台用本发明方法对50张768×576像素的白带涂片湿片(来自某三甲医院不同患者)进行处理,构建完成CNN-SVM模型,并得到检测结果。
如图1、图2所示,本发明提出基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法。图3是本发明CNN-SVM分类器构建流程图。本发明包括下述步骤:
步骤一:针对念珠菌偏圆形特征(卵圆或者“8”字形),基于Hough圆检测和形态学运算的方法分割出阴道分泌物湿片念珠菌的候选区域。在图4(a)的区域,基于Hough圆检测到目标,如图4(b)所示。获取目标圆心后,以60×60的大小分割出目标所在区域的一个矩形。念珠菌的模式学习库共505幅图片,包含182个正样本,323个负样本。部分样本图片如图5(a)、图5(b)所示。
步骤二:基于深度卷积网络的特征提取;
本发明构造如下深度卷积网络如图6所示。图7为其中的随机隐退机理图。图8为CNN的中间层特征提取的图像表现形式。
当前深度卷积网络参数设置如下:梯度下降中学习率为0.05,动量为0.9,中间层的激活函数选择relu,其表达式如式(1)。
g(z)=max{0,z} (1)
输出层的激活函数选择sigmoid;分别在S2与S4所在的隐藏层将随机隐退值设为0.3,效果较好。
图6中,第一层是输入层,大小为像素大小图片的像素大小60×60;第二层是卷积层C1,C1对输入层进行卷积运算提取特征,卷积运算可以最大程度地提取原始信号的特征。当前深度卷积网络设计了6个卷积滤波器,即C1层有6个特征图;感受视野窗口大小是5*5.设置其窗口移动步长为1,即C1中每个神经元和输入层中的5*5的领域相连,所以C1层中每个特征图大小是56*56(其中56=60-5+1),第三层是一个下采样层S2,即S2层对上一层C1做下采样处理,下采样在尽可能保留数据有用信息的同时,减少数据维度,下采样的思想依据图像某一个领域内只需要一个像素点就能表达当前整个区域的信息,下采样领域选取要适当选取,在既要保持信息不要丢失太多的同时,也要起到降低数据维度的效果;当前学习框架下选取2*2的领域大小,因此S2中每个特征图的大小是28*28,从卷积层到下采样层也是一对一的映射,因此S2的特征图的个数也是6;第四层是卷积层C3,即C3对S2进行卷积特征提取,注意从S2到C3并不是一个一一对应的关系,S2有6个特征图,每一个都是28*28大小。但是这里C3层有12个特征图。C3层选用的感受野是5*5窗口,移动步长1,所以C3中每一个特征图都是24*24大小。而在这个卷积过程中,C3中每一个特征图,都由S2中的几个特征图映射后叠加得到的;第五层是一个下采样层S4,S4和S2是一样的,也是采用2*2领域,那么S4层12个特征图,每一个特征图大小是12*12,经过flatten后维数变换为12*12*12。
在本发明的卷积神经网络模型中,下采样层总是由上一层(即上一个卷积层)一一映射得到,因此下采样层的特征图的数目总是和上一层卷积层的特征图数目相同。但是,卷积层却不一样,例如卷积层C1有6个特征图,但是输入层却只有一个平面,C3有12个特征图,但是它的上一层S2却只有6个特征图。卷积层的特征图数目可以自己设定,只需要采用卷积核对上一层的特征图进行卷积滤波便可得到一个特征图。另外要注意从S2到C3这个卷积过程中,C3中每一个特征图,都是从S2中的几个特征图映射后叠加起来的,而并不是一个特征图对应一个特征图。因此C3是12个特征图,从S2到C3的映射过程是一个多到一的映射。C3的每一个特征图都是从S2的第1、2、3、4、5、6这六个特征图中卷积求和得来的。定义C3中有一个特征图为H1,则首先用5*5的感受野窗口去卷积S2中的特征图1,得到一个暂时的特征图1h;然后再用5*5的感受野窗口去卷积S2中的特征图2,得到一个暂时的特征图h2;接着用5*5的感受野窗口去卷积S2中的特征图3,得到一个暂时的特征图h3;对S2中的特征图4、5、6也采用相同的方式卷积,得到h4、h5、h6,然后加权h1、h2、h3、h4、h5、h6得到h,接着给h加一个附加偏移b再通过Sigmoid映射即可得到H1;C3其他特征图也同样卷积S2中所有特征图然后加权加偏置并映射,只是卷积核不一样。通过这种方式,可以最大限度的将上一层的所有特征进行融合。此时C3中的每一个特征图都是上一层特征的融合。
步骤三,构建基于CNN-SVM的分类模型,实现念珠菌识别,其构建流程如下:1)选取白带涂片库样本;2)基于形态学和Hough圆检测算法,得到感兴趣区域训练图;3)经过上述步骤,每一张产生的念珠菌图像集(60*60像素大小)分别作为测试集;4)选取10次测试得到最佳的CNN网络参数,并在此参数下提取念珠菌模式学习库的特征,作为支持向量机SVM分类器训练的输入。5)基于SVM构建分类器模型。
本次实施例数据集由念珠菌模式学习库组成。学习库由505幅60*60大小的图片构成,随机选取10张由大图768*576在Hough圆检测下产生的60*60像素的念珠菌以及噪声图片,分别进行实验,由于深度学习在样本迭代过程中是图片是分批进行,而且训练顺序随机选取,本实施例对随机选取的10张768*576图片产生的念珠菌图片,分别作为测试集,每张图像进行10次训练试验,选择最好的测试结果记录在表5-3,分类器选择Keras原生的logistic分类算法,并Python序列化此时实验的深度卷积网络的结构参数,表1为其中10张图片实验结果。
表1深度卷积网络特征提取实验结果
3)构建基于CNN(Convolutional Neural Network,深度卷积网络)-SVM(SupportVector Machine,支持向量机)的分类模型,实现念珠菌识别。
基于步骤二的实施结果的深度卷积网络框架,应用Python读取反序列化后的深度卷积网络框架参数,在此深度卷积框架下对念珠菌图片进行自动特征提取,并应用SVM进行分类,择线性核函数,SVM惩罚因子默认取C=1.0,为了改变正负样本分布不均衡导致SVM分类性能下降,此时将正类的权重设为class_weight0=1.5,即在正样本上,惩罚因子为class_weight*C=1.5,而负样本惩罚因子保持不变,选取步骤二随机选取的10张图片分别进行测试,实验结果如表2所示。
表2念珠菌识别实验结果
CNN-SVM分类器与CNN-Logstic分类器召回率对比曲线如图9所示。由图9可得,训练得到的深度卷积网络框架具有较强的特征提取能力,在高维数据集下,应用设置权重偏差的SVM分类器获得了较为稳定的分类性能,能较好的对念珠菌进行识别。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,包括下述步骤:
S1、针对念珠菌偏圆形特征,基于Hough圆检测和形态学运算的方法分割出阴道分泌物湿片念珠菌的候选区域;
S2、基于深度卷积网络的特征提取,采用基于随机隐退的深度卷积网络在小样本上的学习,即将随机隐退思想应用在CNN网络参数训练上,对深度学习的隐藏层使用随机隐退的思想,来防止模型的过拟合,以加强模型在小数据集上的泛化能力:在训练的时候随机忽略掉隐含层的某些神经元,就是说,在某一次迭代过程中,让网络隐含层中的某些结点的权重不工作,不工作的这些结点可以暂时认为它们不是该网络的一部分,将其权重保留下来不更新,但是下一次迭代时,这些结点可能参与工作;
S3、构建基于CNN-SVM的分类模型,实现念珠菌识别。
2.根据权利要求1所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,步骤S1中,分割出候选区域的方法如下:
首先,基于形态学运算,对原始阴道分泌物湿片的数字图像进行去噪和预处理;接着基于Hough圆检测算法检测出近似圆形区域;然后,基于训练和图像参数的规则,检测和分割出阴道分泌物湿片念珠菌的候选区域;最后,基于检测候选圆计算圆心位置。
3.根据权利要求1所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,步骤S2中,深度神经卷积网络的构造如下:
第一层是输入层,输入层的大小为像素大小图片的像素大小;
第二次是卷积层C1,C1对输入层进行卷积运算提取特征,卷积运算可最大程度地提取原始信号的特征;
第三层是一个下采样层S2,即S2层对上一层C1做下采样处理,下采样在尽可能保留数据有用信息的同时,减少数据维度;
第四层是卷积层C3,即C3对S2进行卷积特征提取;
第五层是一个下采样层S4,S4和S2是相同的。
4.根据权利要求3所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,在卷积神经网络中,下采样层总是由上一层一一映射得到,因此下采样层的特征图的数目总是和上一层卷积层的特征图数目相同;
卷积层的特征图数目可自行设定,只需要采用卷积核对上一层的特征图进行卷积滤波便可得到一个特征图,另外要注意从S2到C3这个卷积过程中,C3中每一个特征图,都是从S2中的几个特征图映射后叠加起来的,而并不是一个特征图对应一个特征图。
5.根据权利要求4所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,C3是12个特征图,从S2到C3的映射过程是一个多到一的映射,C3的每一个特征图都是从S2的第1、2、3、4、5、6这六个特征图中卷积求和得来的,定义C3中有一个特征图为H1,则首先用5*5的感受野窗口去卷积S2中的特征图1,得到一个暂时的特征图1h;然后再用5*5的感受野窗口去卷积S2中的特征图2,得到一个暂时的特征图h2;接着用5*5的感受野窗口去卷积S2中的特征图3,得到一个暂时的特征图h3;对S2中的特征图4、5、6也采用相同的方式卷积,得到h4、h5、h6,然后加权h1、h2、h3、h4、h5、h6得到h,接着给h加一个附加偏移b再通过Sigmoid映射即可得到H1;C3其他特征图也同样卷积S2中所有特征图然后加权加偏置并映射,只是卷积核不一样,通过这种方式,可以最大限度的将上一层的所有特征进行融合,此时C3中的每一个特征图都是上一层特征的融合。
6.根据权利要求1所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,在步骤S3中,CNN-SVM分类器构建流程如下:
1)选取白带涂片库样本;
2)基于形态学和Hough圆检测算法,得到感兴趣区域训练图;
3)经过上述步骤,每一张产生的念珠菌图像集分别作为测试集;
4)选取N次测试得到最佳的CNN网络参数,并在此参数下提取念珠菌模式学习库的特征,作为支持向量机SVM分类器训练的输入;
5)基于SVM构建分类器模型。
7.根据权利要求1或6所述的基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法,其特征在于,在步骤S3中,
基于步骤S2的实施结果的深度卷积网络框架,应用Python读取反序列化后的深度卷积网络框架参数,在此深度卷积框架下对念珠菌图片进行自动特征提取,并应用SVM进行分类,择线性核函数,SVM惩罚因子默认取C=1.0,为了改变正负样本分布不均衡导致SVM分类性能下降,此时将正类的权重设为class_weight0=1.5,即在正样本上,惩罚因子为class_weight*C=1.5,而负样本惩罚因子保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710126484.8A CN107099577A (zh) | 2017-03-06 | 2017-03-06 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710126484.8A CN107099577A (zh) | 2017-03-06 | 2017-03-06 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107099577A true CN107099577A (zh) | 2017-08-29 |
Family
ID=59675824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710126484.8A Pending CN107099577A (zh) | 2017-03-06 | 2017-03-06 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107099577A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN109190622A (zh) * | 2018-09-11 | 2019-01-11 | 深圳辉煌耀强科技有限公司 | 基于强特征和神经网络的上皮细胞分类系统和方法 |
CN110021425A (zh) * | 2019-01-31 | 2019-07-16 | 湖南品信生物工程有限公司 | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 |
CN110796661A (zh) * | 2018-08-01 | 2020-02-14 | 华中科技大学 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
WO2020034192A1 (zh) * | 2018-08-17 | 2020-02-20 | 孙永年 | 切片或抹片影像的处理方法、计算机装置及系统 |
WO2020216324A1 (zh) * | 2019-04-24 | 2020-10-29 | 南京图灵微生物科技有限公司 | 人工智能医学图像自动诊断系统和方法 |
CN113160889A (zh) * | 2021-01-28 | 2021-07-23 | 清华大学 | 一种基于cfDNA组学特性的癌症无创早筛方法 |
-
2017
- 2017-03-06 CN CN201710126484.8A patent/CN107099577A/zh active Pending
Non-Patent Citations (3)
Title |
---|
OLIVER DÜRR等: "Single-Cell Phenotype Classification Using Deep Convolutional Neural Networks", 《JOURNAL OF BIOMOLECULAR SCREENING》 * |
ZHIMIN GAO等: "HEp-2 Cell Image Classification with Convolutional Neural Networks", 《IEEE COMPUTER SOCIETY 2014 1ST WORKSHOP ON PATTERN RECOGNITION TECHNIQUES FOR INDIRECT IMMUNOFLUORESCENCE IMAGES》 * |
郭锐: "基于CNN-SVM的白带湿片显微图像模式识别研究", 《中国优秀硕士学位论文全文数据库,信息科技辑,华南理工大学硕士学位论文》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
CN108961242A (zh) * | 2018-07-04 | 2018-12-07 | 北京临近空间飞行器系统工程研究所 | 一种荧光染色图像ctc智能识别方法 |
CN110796661A (zh) * | 2018-08-01 | 2020-02-14 | 华中科技大学 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
CN110796661B (zh) * | 2018-08-01 | 2022-05-31 | 华中科技大学 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
WO2020034192A1 (zh) * | 2018-08-17 | 2020-02-20 | 孙永年 | 切片或抹片影像的处理方法、计算机装置及系统 |
CN112567385A (zh) * | 2018-08-17 | 2021-03-26 | 孙永年 | 切片或抹片影像的处理方法、计算机装置及系统 |
CN109190622A (zh) * | 2018-09-11 | 2019-01-11 | 深圳辉煌耀强科技有限公司 | 基于强特征和神经网络的上皮细胞分类系统和方法 |
CN110021425A (zh) * | 2019-01-31 | 2019-07-16 | 湖南品信生物工程有限公司 | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 |
CN110021425B (zh) * | 2019-01-31 | 2022-12-09 | 湖南品信生物工程有限公司 | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 |
WO2020216324A1 (zh) * | 2019-04-24 | 2020-10-29 | 南京图灵微生物科技有限公司 | 人工智能医学图像自动诊断系统和方法 |
CN113160889A (zh) * | 2021-01-28 | 2021-07-23 | 清华大学 | 一种基于cfDNA组学特性的癌症无创早筛方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107099577A (zh) | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 | |
Liang et al. | CNN-based image analysis for malaria diagnosis | |
Oztel et al. | Mitochondria segmentation in electron microscopy volumes using deep convolutional neural network | |
Khoshdeli et al. | Detection of nuclei in H&E stained sections using convolutional neural networks | |
Li et al. | Lung nodule detection with deep learning in 3D thoracic MR images | |
CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
CN107274386A (zh) | 一种宫颈细胞液基涂片人工智能辅助阅片系统 | |
CN112561863B (zh) | 一种基于改进ResNet的医学图像多分类识别系统 | |
WO2008005426A2 (en) | Computer-aided pathological diagnosis system | |
CN108734138A (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN101551854B (zh) | 不平衡医学影像处理系统及其处理方法 | |
Mao et al. | A deep convolutional neural network trained on representative samples for circulating tumor cell detection | |
Mao et al. | Iteratively training classifiers for circulating tumor cell detection | |
Sivaramakrishnan et al. | Visualizing deep learning activations for improved malaria cell classification | |
El-Melegy et al. | Identification of tuberculosis bacilli in ZN-stained sputum smear images: A deep learning approach | |
CN109614869A (zh) | 一种基于多尺度压缩奖惩网络的病理图像分类方法 | |
CN110188767A (zh) | 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置 | |
CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
Simon et al. | Shallow cnn with lstm layer for tuberculosis detection in microscopic images | |
Hu et al. | Automatic detection of tuberculosis bacilli in sputum smear scans based on subgraph classification | |
CN112213503A (zh) | 样本分析系统、图像分析系统及其处理样本图像的方法 | |
CN111797786A (zh) | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 | |
CN111326238A (zh) | 基于滑动窗的癌细胞检测装置 | |
Zhang et al. | Blood cell image classification based on image segmentation preprocessing and CapsNet network model | |
Kim et al. | Nucleus segmentation and recognition of uterine cervical pap-smears |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170829 |