CN107945144A - 基于深度神经网络的结核杆菌荧光痰涂片识别方法 - Google Patents
基于深度神经网络的结核杆菌荧光痰涂片识别方法 Download PDFInfo
- Publication number
- CN107945144A CN107945144A CN201711160738.4A CN201711160738A CN107945144A CN 107945144 A CN107945144 A CN 107945144A CN 201711160738 A CN201711160738 A CN 201711160738A CN 107945144 A CN107945144 A CN 107945144A
- Authority
- CN
- China
- Prior art keywords
- image
- bacillus
- neural network
- digital
- deep neural
- 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
- 241000193830 Bacillus <bacterium> Species 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 206010036790 Productive cough Diseases 0.000 title claims abstract description 22
- 210000003802 sputum Anatomy 0.000 title claims abstract description 22
- 208000024794 sputum Diseases 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 44
- 230000000877 morphologic effect Effects 0.000 claims description 19
- 241000304886 Bacilli Species 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 241000187479 Mycobacterium tuberculosis Species 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 3
- 201000008827 tuberculosis Diseases 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000002458 infectious effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010016818 Fluorosis Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000004042 dental fluorosis Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 206010048282 zoonosis Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明涉及一种基于深度神经网络的结核杆菌荧光痰涂片识别方法,包括以下步骤:步骤S1、输入数字杆菌图像;步骤S2、对所述数字杆菌图像进行自动分割,获得只含有杆菌的优化图像;步骤S3、将所述优化图像与预设的候选杆菌进行匹配;若匹配失败,则进行步骤S5;步骤S4、对匹配成功的所述优化图像进行杆菌自动识别;步骤S5、输出所述数字杆菌图像的杆菌信息。其优点在于,能够快速对杆菌图像中的疑似杆菌目标进行定位,有效减少冗余信息,减少识别工作量;有效替代人工统计的方法,辅助人工诊断过程,提高人工诊断效率,提高诊断精度;利用深度神经网络,通过不同构造处理进行结合,提高训练结果,快速识别杆菌图像类型。
Description
技术领域
本发明涉及杆菌图片识别技术领域,尤其涉及一种基于深度神经网络的结核杆菌荧光痰涂片识别方法。
背景技术
肺结核病是由于结核杆菌感染引起的一种人畜共患的慢性传染病。结核杆菌是一种单一传染致死细菌。近年来,随着多恶心肿瘤病例的增加及多重抗药性菌株的显现,大大增加了预防结核杆菌感染的难度。快速诊断是控制肺结核病传播和扩散的关键一环。
进行肺结核病诊断时,医师需要观察切片,每例样本需要2-3张切片,每张切片的检查视野需要大于100个。因此,检验医师需要花费较长时间检查样本,每天平均痰样本数为20例。检查医师专业水平高低、结核杆菌在痰内的含量多少等因素均会影响检查的阳性率。一般而言,结核杆菌的阳性率在20~60%左右。
现有的结核杆菌诊断流程为:采集痰液,并均与涂抹在玻片上,自然干燥,加热固定后染色,最后通过酸性酒精脱色和复染;将痰涂片放入陷入经中,在20倍物镜下寻找杆菌可能的分布区域;在40倍物镜下根据20倍观察到的可能位置进行查找并对杆菌进行计数;根据《传染性肺结核诊断标准及处理原则GB15987-1995》对切片样本进行分类;总结诊断报告。
然而这种诊断流程存在一些缺陷:如医师需要观察整个切片的所有区域,耗时耗力;当阳性2+以上时,单个视野内的杆菌数可能超过50个,人工难以精确记录统计;当杆菌分布零散时,如0~9条,易出现漏判。
因此,为了提高结核杆菌的检出率,许多研究团队致力于研发结核杆菌荧光痰涂片识别算法来对杆菌图像进行自动识别。通过结核杆菌荧光图片识别算法,可以对荧光杆菌数字图像进行自动分割识别。对比人工诊断,该识别算法识别结核杆菌的准确率达到90%,且全过程无须人工干预。此算法是全自动杆菌扫描中最重要的一环,对降低结核病的死亡率,节省的医疗成本都有重要现实意义,能够创造巨大的经济和社会效益。
因此,亟需一种能够对数字图像有效分割,快速识别并对疑似病菌进行定位,提高诊断效率的结核杆菌数字图片识别算法,而目前关于这种算法还未见报道。
发明内容
本发明的目的是针对现有技术中的不足,提供一种基于深度神经网络的结核杆菌荧光痰涂片识别方法。
为实现上述目的,本发明采取的技术方案是:
本发明的一种基于深度神经网络的结核杆菌荧光痰涂片识别方法,包括以下步骤:
步骤S1、输入数字杆菌图像;
步骤S2、对所述数字杆菌图像进行自动分割,获得只含有杆菌的优化图像;
步骤S3、将所述优化图像与预设的候选杆菌进行匹配;若匹配失败,则进行步骤S5;
步骤S4、对匹配成功的所述优化图像进行杆菌自动识别;
步骤S5、输出所述数字杆菌图像的杆菌信息。
优选的,所述步骤S2中,图像自动分割的步骤为:
步骤S21、输入一预设的图像初始化阈值;
步骤S22、对所述数字杆菌图像进行自适应阈值二值化;
步骤S23、对进行自适应阈值二值化处理后的所述数字杆菌图像进行形态学梯度处理;
步骤S24、对形态学梯度处理后的所述数字杆菌图像进行轮廓化处理,获取所述数字杆菌图像的轮廓数量及轮廓信息;
步骤S25、将所述轮廓数量与一预设的轮廓数量阈值进行对比;若所述轮廓数量大于所述轮廓数量阈值,则减少所述图像初始化阈值,重复步骤S22-S24;
步骤S26、输出所述轮廓信息。
优选的,所述步骤S22中,利用局部像素灰度均值法对所述数字杆菌图像进行自适应阈值二值化,其计算公式如下:
其中,i、j是图像坐标,s、t是图像领域中的位置,f代表图像灰度值,α是阈值化系数。
优选的,所述步骤S23中,所述形态学梯度处理包括进行形态学腐蚀处理和形态学膨胀处理。
优选的,所述步骤S24中,利用凸包算法对所述数字杆菌图像进行轮廓化处理。
优选的,所述步骤S25中,减少所述图像初始化阈值的方法是提高所述阈值化系数。
优选的,提高所述阈值化系数的计算公式如下:α=α*1.2。
优选的,所述步骤S4中,杆菌自动识别的步骤为:
步骤S41、输入优化图像;
步骤S42、对所述优化图像进行重采样处理;
步骤S43、对重采样处理后的所述优化图像进行打包处理;
步骤S44、对打包处理后的所述优化图像进行深度神经网络处理,对所述优化图像中的杆菌进行分类并获得标记;
步骤S45、输出所述标记。
优选的,所述深度神经网络包括多个巻积层、多个混合层、降采样层、隐藏层、全连接层。
本发明采用以上技术方案,与现有技术相比,具有如下技术效果:
本发明的一种基于深度神经网络的杆菌荧光痰涂片识别方法,能够快速对杆菌图像中的疑似杆菌目标进行定位,有效减少冗余信息,减少识别工作量;有效替代人工方式对数字杆菌图像进行统计的方法,辅助人工诊断过程,提高人工诊断效率,提高诊断精度;利用深度神经网络,通过不同构造处理进行结合,控制深度神经网络训练过拟合,提高训练结果,快速识别杆菌图像类型。
附图说明
图1是本发明的一个优选实施例的流程图。
图2是本发明的图像自动分割的一个优选实施例的流程图。
图3是本发明的图像自动识别的一个优选实施例的流程图。
图4是第一混合层处理的一个优选实施例的流程图。
图5是第二混合层处理的一个优选实施例的流程图。
图6是第三混合层处理的一个优选实施例的流程图。
图7是第四混合层处理的一个优选实施例的流程图。
图8是第五混合层处理的一个优选实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
一个优选的实施例,如图1所示,本发明的一种基于深度神经网络的结核杆菌荧光痰涂片识别方法,包括以下步骤:
步骤S1、输入数字杆菌图像;
步骤S2、对所述数字杆菌图像进行自动分割,获得只含有杆菌的优化图像;
步骤S3、将所述优化图像与预设的候选杆菌进行匹配;若匹配失败,则进行步骤S5;
步骤S4、对匹配成功的所述优化图像进行杆菌自动识别;
步骤S5、输出所述数字杆菌图像的杆菌信息。
作为一个优选的实施例,如图2所示,在步骤S2中,对数字杆菌图像自动分割的步骤如下:
步骤S21、确定一个图像初始化阈值,并将其输入;
步骤S22、对数字杆菌图像进行自适应阈值二值化,通过局部图像像素灰度均值对图像进行二值化,其计算公式为
其中,i、j是图像坐标,s、t是图像领域中的位置,f代表图像灰度值,α是阈值化系数,利用该过程,可通过对邻域图像灰度进行统计消除局部光照不均匀对二值化的影响;
步骤S23、对进行自适应阈值二值化处理后的所述数字杆菌图像进行形态学梯度处理,获取二值图边缘;
步骤S231、对所述数字杆菌图像进行形态学腐蚀处理,其计算公式为:
其中,x、y是图像坐标,src表示原图,dst表示结果,min表示取最小值;
步骤S232、对形态学腐蚀处理后的所述数字杆菌图像进行形态学膨胀处理,其计算公式为:
其中,x、y是图像坐标,src表示原图,dst表示结果,max表示取最大值;
步骤S233、对进行形态膨胀处理后的所述数字杆菌图像进行形态学梯度处理,其计算公式为:
dst=morph_grad(src,element)=dilate(src,element)-erode(src,element)
其中dilate表示形态学膨胀操作,erode表示形态学腐蚀操作
步骤S24、对形态学梯度处理后的所述数字杆菌图像进行轮廓化处理,获取所述数字杆菌图像的轮廓数量及轮廓信息,利用凸包算法进行处理,其代码如下:
Let N=number of points
Let points[N+1]=the array of points
Swap points[1]with the point with the lowest y-coordinate
Let points[0]=points[1]
Let M=1
For i=2to N:
While ccw(points[M-1],points[M],points[i])<=0:
If M>1:
M-=1
else if I==N:
break
else i+=1
M+=1
Swap points[M]with points[i]
其中,N表示二值化图像非零的像素点,points中包括轮廓点,利用此过程可找到杆菌轮廓;
步骤S25、将所述轮廓数量与一预设的轮廓数量阈值进行对比;若所述轮廓数量大于所述轮廓数量阈值,则减少所述图像初始化阈值,重复步骤S22;
步骤S26、输出轮廓信息,轮廓信息包括杆菌数量、杆菌位置、单个杆菌大小。
采用上述技术方案,当轮廓数量大于阈值时,表明图像亮度过大,须调高步骤S22中阈值化系数α,每次进行调整时,α=α*1.2。
作为一个较佳的实施例,如图3所示,在步骤S4中,对杆菌自动识别的步骤如下:
步骤S41、输入优化图像;
步骤S42、对所述优化图像进行重采样处理;
步骤S43、对重采样处理后的所述优化图像进行打包处理;
步骤S44、对打包处理后的所述优化图像进行深度神经网络处理,对所述优化图像中的杆菌进行分类并获得标记;
步骤S45、输出所述标记。
其中,所述深度神经网络包括多个巻积层、多个混合层、降采样层、隐藏层、全连接层。
作为一个优选的实施例,所述步骤S44中,对打包处理后的所述优化图像进行深度神经网络处理的步骤如下:
步骤S441、对打包处理后的所述数字杆菌图像在第一巻积层进行处理;
步骤S442、对经步骤S441处理后的所述数字杆菌图像在第二巻积层进行处理;
步骤S443、对经步骤S442处理后的所述数字杆菌图像在第一混合层进行处理;
步骤S444、对经步骤S443处理后的所述数字杆菌图像在第二混合层进行处理;
步骤S445、对经步骤S444处理后的所述数字杆菌图像在第三混合层进行处理;
步骤S446、对经步骤S445处理后的所述数字杆菌图像在第四混合层进行处理;
步骤S447、对经步骤S446处理后的所述数字杆菌图像在第五混合层进行处理;
步骤S448、对经步骤S447处理后的所述数字杆菌图像在降采样层进行处理;
步骤S449、对经步骤S448处理后的所述数字杆菌图像在隐藏层进行处理;
步骤S4410、对经步骤S449处理后的所述数字杆菌图像在全连接层进行处理。
需要说明的是,以下技术方案中的“输入层”均为上一步骤处理后得到的处理结果。
采用上述技术方案,如图4所示,在步骤S443中,在第一混合层进行处理时,需要分别同时进行4次处理,其处理步骤如下:
S4431、将输入层进行输入,并同时进行步骤S4432a-S4432d;
S4432a、对输入层进行1×1卷积;
S4432b、对输入层先进行1×1卷积,再进行5×5卷积;
S4432c、对输入层先进行3×3池化,再进行1×1卷积;
S4432d、对输入层先进行1×1卷积,再进行3×3卷积,最终进行3×3卷积;
S4433、将步骤S4432a-S4432d的结果进行层数归并;
S4434、将输出层进行输出。
采用上述技术方案,如图5所示,在步骤S444中,在第二混合层进行处理时,需要分别同时进行3次处理,其处理步骤如下:
S4441、将输入层进行输入,并同时进行步骤S4442a-S4442c;
S4442a、对输入层进行1×1卷积;
S4442b、对输入层先进行1×1卷积,再进行5×5卷积;
S4442c、对输入层先进行1×1卷积,再进行3×3卷积,最终进行3×3卷积;
S4443、将步骤S4442a-S4442c的结果进行层数归并;
S4444、将输出层进行输出。
采用上述技术方案,如图6所示,在步骤S445中,在第三混合层进行处理时,需要分别同时进行4次处理,其处理步骤如下:
S4451、将输入层进行输入,并同时进行步骤S4452a-S4452d;
S4452a、对输入层进行1×1卷积;
S4452b、对输入层先进行2×2池化,再进行1×1卷积;
S4452c、对输入层先进行1×1卷积,再进行5×1卷积,最终进行1×5卷积;
S4452d、对输入层先进行1×1卷积,再进行7×1卷积,最终进行1×7卷积;
S4453、将步骤S4452a-S4452d的结果进行层数归并;
S4454、将输出层进行输出。
采用上述技术方案,如图7所示,在步骤S446中,在第四混合层进行处理时,需要分别同时进行3次处理,其处理步骤如下:
S4461、将输入层进行输入,并同时进行步骤S4462a-S4462c;
S4462a、对输入层进行2×2池化;
S4462b、对输入层先进行1×1卷积,再进行2×2卷积;
S4462c、对输入层先进行1×1卷积,再进行7×1卷积,再进行1×7卷积,最终进行2×2卷积;
S4463、将步骤S4462a-S4462c的结果进行层数归并;
S4464、将输出层进行输出。
采用上述技术方案,如图8所示,在步骤S447中,在第五混合层进行处理时,需要分别同时进行3次处理,其处理步骤如下:
S4471、将输入层进行输入,并同时进行步骤S4472a-S4472c;
S4472a、对输入层进行1×1卷积;
S4472b、对输入层先进行2×2池化,再进行1×1卷积;
S4472c、对输入层先进行1×1卷积,再分别进行2×1卷积和1×2卷积;
S4473、将步骤S4472a-S4472c的结果进行层数归并;
S4474、将输出层进行输出。
采用上述技术方案,所述深度神经网络包括多个巻积层、多个混合层、降采样层、隐藏层、全连接层,利用该深度神经网络,通过不同构造处理进行结合,控制深度神经网络训练过拟合,提高训练结果,快速识别杆菌图像类型。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,包括以下步骤:
步骤S1、输入数字杆菌图像;
步骤S2、对所述数字杆菌图像进行自动分割,获得只含有杆菌的优化图像;
步骤S3、将所述优化图像与预设的候选杆菌进行匹配;若匹配失败,则进行步骤S5;
步骤S4、对匹配成功的所述优化图像进行杆菌自动识别;
步骤S5、输出所述数字杆菌图像的杆菌信息。
2.根据权利要求1所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S2中,图像自动分割的步骤为:
步骤S21、输入一预设的图像初始化阈值;
步骤S22、对所述数字杆菌图像进行自适应阈值二值化;
步骤S23、对进行自适应阈值二值化处理后的所述数字杆菌图像进行形态学梯度处理;
步骤S24、对形态学梯度处理后的所述数字杆菌图像进行轮廓化处理,获取所述数字杆菌图像的轮廓数量及轮廓信息;
步骤S25、将所述轮廓数量与一预设的轮廓数量阈值进行对比;若所述轮廓数量大于所述轮廓数量阈值,则减少所述图像初始化阈值,重复步骤S22;
步骤S26、输出所述轮廓信息。
3.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S22中,利用局部像素灰度均值法对所述数字杆菌图像进行自适应阈值二值化,其计算公式如下:
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msup>
<mi>p</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mi>p</mi>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mi>p</mi>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>s</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msup>
<mi>p</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mi>p</mi>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mi>p</mi>
</mrow>
<mi>p</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>s</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&alpha;m</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
其中,i、j是图像坐标,s、t是图像领域中的位置,f代表图像灰度值,α是阈值化系数。
4.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S23中,所述形态学梯度处理包括进行形态学腐蚀处理和形态学膨胀处理。
5.根据权利要求2所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S24中,利用凸包算法对所述数字杆菌图像进行轮廓化处理。
6.根据权利要求3所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S25中,减少所述图像初始化阈值的方法是提高所述阈值化系数。
7.根据权利要求6所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,提高所述阈值化系数的计算公式如下:α=α*1.2。
8.根据权利要求1所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述步骤S4中,杆菌自动识别的步骤为:
步骤S41、输入优化图像;
步骤S42、对所述优化图像进行重采样处理;
步骤S43、对重采样处理后的所述优化图像进行打包处理;
步骤S44、对打包处理后的所述优化图像进行深度神经网络处理,对所述优化图像中的杆菌进行分类并获得标记;
步骤S45、输出所述标记。
9.根据权利要求8所述的基于深度神经网络的结核杆菌荧光痰涂片识别方法,其特征在于,所述深度神经网络包括多个巻积层、多个混合层、降采样层、隐藏层、全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160738.4A CN107945144B (zh) | 2017-11-20 | 2017-11-20 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160738.4A CN107945144B (zh) | 2017-11-20 | 2017-11-20 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945144A true CN107945144A (zh) | 2018-04-20 |
CN107945144B CN107945144B (zh) | 2022-02-25 |
Family
ID=61929275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711160738.4A Active CN107945144B (zh) | 2017-11-20 | 2017-11-20 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945144B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145851A (zh) * | 2018-08-30 | 2019-01-04 | 宁波江丰生物信息技术有限公司 | 结核杆菌的识别方法及装置 |
CN112767321A (zh) * | 2021-01-05 | 2021-05-07 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221118A (zh) * | 2007-12-07 | 2008-07-16 | 东华大学 | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 |
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
WO2012063107A1 (en) * | 2010-11-08 | 2012-05-18 | Manipal Institute Of Technology | Automated tuberculosis screening |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104091170A (zh) * | 2014-06-13 | 2014-10-08 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
CN106980839A (zh) * | 2017-03-31 | 2017-07-25 | 宁波摩视光电科技有限公司 | 一种基于hog特征的白带中自动检测杆菌的方法 |
-
2017
- 2017-11-20 CN CN201711160738.4A patent/CN107945144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221118A (zh) * | 2007-12-07 | 2008-07-16 | 东华大学 | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 |
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
WO2012063107A1 (en) * | 2010-11-08 | 2012-05-18 | Manipal Institute Of Technology | Automated tuberculosis screening |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104091170A (zh) * | 2014-06-13 | 2014-10-08 | 电子科技大学 | 基于机器视觉的霉菌自动辨别方法 |
CN106980839A (zh) * | 2017-03-31 | 2017-07-25 | 宁波摩视光电科技有限公司 | 一种基于hog特征的白带中自动检测杆菌的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145851A (zh) * | 2018-08-30 | 2019-01-04 | 宁波江丰生物信息技术有限公司 | 结核杆菌的识别方法及装置 |
CN112767321A (zh) * | 2021-01-05 | 2021-05-07 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
CN112767321B (zh) * | 2021-01-05 | 2023-02-17 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107945144B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
Jitpakdee et al. | A survey on hemorrhage detection in diabetic retinopathy retinal images | |
CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
Gupta et al. | A robust framework for glaucoma detection using CLAHE and EfficientNet | |
CN108257129A (zh) | 基于多模态检测网络的宫颈活检区域辅助识别方法及装置 | |
CN107945144B (zh) | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 | |
WO2020037573A1 (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
CN112465766A (zh) | 扁平、微小息肉图像识别方法 | |
CN110974306A (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及系统 | |
CN112215865A (zh) | 一种荧光显微图像下的微液滴自动检测方法 | |
Fang et al. | Automatic segmentation of hard exudates in fundus images based on boosted soft segmentation | |
CN108230341A (zh) | 一种基于分层抠图算法的眼底图像血管分割方法 | |
CN108021868A (zh) | 一种快速高可靠的圆形目标检测识别方法 | |
CN112017208A (zh) | 一种基于深度学习的多细胞球识别与分类方法 | |
Masse et al. | A mutual information approach to automate identification of neuronal clusters in Drosophila brain images | |
CN114648509B (zh) | 一种基于多分类任务的甲状腺癌检出系统 | |
CN110543802A (zh) | 眼底图像中左右眼识别方法与装置 | |
CN115272333A (zh) | 一种杯盘比数据的存储系统 | |
CN112101409B (zh) | 基于病理图像的肿瘤突变负荷(tmb)分类方法与系统 | |
CN109658382B (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
CN107358224B (zh) | 一种白内障手术中虹膜外轮廓检测的方法 | |
Cho et al. | Multi-classifier-based automatic polyp detection in endoscopic images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |