CN108447047A - 抗酸杆菌检测方法及装置 - Google Patents
抗酸杆菌检测方法及装置 Download PDFInfo
- Publication number
- CN108447047A CN108447047A CN201810139754.3A CN201810139754A CN108447047A CN 108447047 A CN108447047 A CN 108447047A CN 201810139754 A CN201810139754 A CN 201810139754A CN 108447047 A CN108447047 A CN 108447047A
- Authority
- CN
- China
- Prior art keywords
- sample
- acid
- convolutional neural
- neural networks
- training
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
本发明适用于图像处理和模式识别技术领域,提供了抗酸杆菌检测方法及装置,所述方法包括:获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;根据所述训练后的卷积神经网络模型对所述测试样本进行测试。上述方法通过较深层次的卷积神经网络算法对抗酸杆菌图像进行分类,能够获得较深的逻辑层级的特征表达,解决现有技术中检测精度不高和泛化能力较差的问题。
Description
技术领域
本发明属于图像处理和模式识别技术领域,尤其涉及一种抗酸杆菌检测方法及装置。
背景技术
在结核病诊断中,活检组织中是否存在抗酸分支结核杆菌是肺结核病诊断的主要依据。然而,传统的抗酸分支结核杆菌检测是由经验丰富的病理科专家通过肉眼检测来实现的,具有人工判识主观性较强、漏检率高以及劳动强度大等客观缺点。因此,许多计算机辅助的结核病诊断方法应运而生,这类方法从抗酸染色的数字病理图像杆菌目标精确检测识别入手,分析数字全切片中杆菌的染色特征以及杆菌形态特征,进行结核病的辅助诊断。
采用计算机辅助的抗酸杆菌检测方法大致分为以下两类:一方面,通过设计人工特征提取器获取抗酸杆菌的中间特征,并根据得到的特征进行分类。由于抗酸杆菌具有个体小、形态复杂多样的特点,使得人工特征提取器的设计较为复杂和困难。另一方面,通过传统的机器学习算法对抗酸杆菌进行检测。由于传统的机器学习算法采用的模型架构简单,无法得到较深的逻辑层级的特征表达,检测效果和泛化能力较差。
发明内容
有鉴于此,本发明实施例提供了抗酸杆菌检测方法及装置,以解决现有技术中采用人工检测或计算机辅助检测抗酸杆菌方法所存在的检测不精准的问题。
本发明实施例的第一方面提供了一种抗酸杆菌检测方法,包括:
获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
可选的,所述根据所述训练样本对预设的卷积神经网络模型进行训练,包括:通过梯度下降的优化算法对预设的卷积神经网络模型进行训练;
所述通过梯度下降的优化算法对预设的卷积神经网络模型进行训练,包括:
根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例;
根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例;
根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
可选的,所述根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后卷积神经网络模型后,还包括:
再次获取抗酸杆菌的图像;
采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本;
构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
可选的,所述根据所述训练后的卷积神经网络模型对所述测试样本进行测试为:
根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本;
在所述根据所述训练后的卷积神经网络模型对所述测试样本进行测试后,所述方法还包括:
根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取;
根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
本发明实施例的第二方面提供了一种抗酸杆菌检测装置,包括:
第一图像获取模块,用于获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
图像训练模块,用于根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
第一图像测试模块,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
可选的,所述图像训练模块包括:
第一参数获取单元,用于根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例;
第二参数获取单元,用于根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例;
网络模型确定单元,用于根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
可选的,所述装置还包括:
第二图像获取模块,用于再次获取抗酸杆菌的图像;
第一阳性样本获取模块,用于采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本;
分类器获取模块,用于构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
可选的,所述装置还包括:
第二阳性样本获取模块,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本;
特征提取模块,用于根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取;
目标筛选模块,用于根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
本发明实施例的第三方面提供了一种抗酸杆菌检测装置,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述抗酸杆菌检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述抗酸杆菌检测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过获取抗酸杆菌图像,将抗酸杆菌图像分为训练样本和测试样本,并根据训练样本对预设卷积神经网络模型进行训练,进而采用训练后的卷积神经网络模型对测试样本进行测试,通过采用卷积神经网络算法减小了抗酸杆菌图像的特征图的尺寸,减小了需要训练的参数和计算量,提高了抗酸杆菌检测的准确率和效率,使得在结核病诊断中,诊断结果更加可靠。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的抗酸杆菌检测方法的实现流程示意图;
图2是本发明实施例提供的图1中步骤S102的实现流程示意图;
图3是本发明另一实施例提供的抗酸杆菌检测方法的流程示意图;
图4是本发明实施例提供的抗酸杆菌检测装置的示例图;
图5是本发明另一实施例提供的抗酸杆菌检测装置的示意图;
图6是本发明实施例提供的抗酸杆菌检测装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示,图1为本发明实施例提供的抗酸杆菌方法的实现流程示意图。本实施中抗酸杆菌检测方法的执行主体为具有抗酸杆菌检测功能的装置,该装置可以为计算机、服务器和平板电脑等,此处不做限制。如图1所示的抗酸杆菌检测方法可以包括以下步骤:
步骤S101,获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本。
结核病是严重威胁人类健康的疾病,主要通过呼吸道传播,因此,做好结核病的诊断具有重要意义。基于数字病理全切片的结核病诊断中,活组织检测出抗酸分支结核杆菌是肺结核诊断的重要依据。目前存在检测方法主要有:人工检测、设计人工特征提取器根据提取的特征进行检测以及采用传统机器学习的自动检测方法,所述检测方法比较复杂和粗略,检测的准确度不够精准,因此本发明实施例提供一种检测方法简单、准确率较高的抗酸杆菌检测方法。
在获取抗酸杆菌图像之前先对抗酸杆菌进行染色,再获取染色后的抗酸杆菌切片的数字病理切片图像。其中,数字病理全切片是通过专用的扫描成像系统将病理切片转换为可供计算机显示、传输及处理的高倍率大规模数字图像。示例性的,可以将40倍率放大的切片通过不低于0.25μm/pixel的切片扫描仪来获得数字病理切片图像。
容易理解的,在获取的数字病理切片图像可能有两种情况,一种是图像中含有结核杆菌,另一种是图像中不包含结核杆菌。在一定的放大倍率的情况下,从获取的包含结核杆菌的数字病理切片图像中对肉眼能够识别的结核杆菌的位置进行标注。示例性的,为了保证结核杆菌目标位置标注的准确性,在对结核杆菌的目标位置进行标注时,由至少两名专科病理医生分别独立对同一个病例的数字切片按照国家卫生部标准进行规范化诊断标注,再综合所有标注结果,对不一致的标注病例进行讨论会诊并取得一致意见,从而确保标注流程标准规范,标注结果严谨准确。
在将标注后的数字病理图像以预设的尺寸切取包含结核杆菌目标的小图像作为阳性样本,将标注后的数字病理图像以预设的尺寸切取不包含结核杆菌的小图像作为阴性样本,或者将不包含结核杆菌的数字病理切片图像切取为预设大小的尺寸获得阴性样本,示例性的,所述获取的样本可以为32*32大小的尺寸。在获取阳性样本和阴性样本后,将其分为训练样本和测试样本,其中训练样本和测试样本中均包含阳性样本和阴性样本,对于训练样本和测试样本的数量以及其中的阳性样本和阴性样本的个数不做限定。
步骤S102,根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。
卷积神经网络算法是近年发展起来并引起广泛重视的一种高效的图形图像分类识别技术方法,目前诸如google、微软、facebook、百度等都相继发布了卷积神经网络算法实现的开发框架。卷积神经网络对于识别一些变形、缩放以及形变的图像具有较好的识别效果,适合本发明中具有各异形态的抗酸杆菌图像。卷积神经网络是通过训练图像数据进行学习,因此,在使用卷积神经网络的过程中避免了显式的特征抽取,而是隐式的从训练数据中自动学习,从而使得所述模型具有较好的鲁棒性和泛化能力。
可选的,所述根据所述训练样本对预设的卷积神经网络模型进行训练,包括:通过梯度下降的优化算法对预设的卷积神经网络模型进行训练;
参见图2,所述通过梯度下降的优化算法对预设的卷积神经网络模型进行训练,包括:
步骤S201,根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例。
其中,根据预设的卷积神经网络模型对所述训练样本进行训练,从而得到第一参数的过程就是,先建立一个卷积神经网络模型,所述卷积神经网络模型为含有多层的网络结构,其中在对网络模型进行训练之前,连接权重和偏置均为随机初始化的数值,通过将训练数据输入到建立的卷积神经网络模型中将会得到一个训练的预测值,而对于每一个训练样本都会有一个预设校准参数,所述预设校准参数即训练过程的标注值。容易理解的,首次得到的预测值与预设校准参数会有一定的误差,所述误差即为损失函数。
步骤S202,根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例。
其中,设定损失函数E为平方差误差函数:
其中,校准参数为target,即训练过程中的标注值,通过训练预测值和标准值间的误差,基于误差和初始比例得到从抗酸杆菌图像中提取特征值的最终比例;通过不断调整各权重参数和偏置,直至达到期望的收敛条件,训练完成。根据最终比例和预设特征提取方法建立预设特征提取模型。
步骤S203,根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
在获得也就是最终比例后,根据最终比例和卷积神经网络模型就能确定出训练后的卷积神经网络模型。
步骤S103,根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
在经过步骤S102后,卷积神经网络模型就训练完毕,可以采用训练后的卷积神经网络模型对所述测试样本进行测试。
示例性的,所述卷积神经网络模型可以为一个7层的网络结构,其中:第一层为输入层,第二层为卷积层,第三层为下采样层,第四层为卷积层,第五层为下采样层,第六层为全连接层,第七层为输出层。第二层卷积层的通道个数可以设置为8,卷积核大小为5*5,卷积步长设置为一个像素;第四层卷积层的通道个数可以设置为16,卷积核设置大小为5*5,卷积步长为一个像素。第三层下采样层和第五层下采样层的采样窗口设置为2*2,滑动步长为2。全连接层神经元的个数为400,输出层的神经元的个数为2。
优选的,在卷积神经网络模型中,每一个卷积层之后都设置有ReLU激活函数,即线性修正单元。相比于常用的sigmoid激活函数和tanh激活函数,采用ReLU作为激活函数更加符合生物神经元的特征,更容易学习优化。
因此,在将原始32*32的图像输入上述卷积神经网络模型后,经过第二层的卷积层将会得到8个28*28大小的抗酸杆菌的特征图,此处通过设置多个卷积通道可以获得抗酸杆菌的多个部位的特征,使得获取的特征图能够具有判别性。再将获得的28*28的特征图输入到第三层的下采样层,将会得到8个14*14大小的特征图。再将获得的14*14的特征图经过第四层的卷积层后将会得到16个10*10大小的特征图。再将获得的10*10的特征图经过第五层的下采样层后将会得到16个5*5大小的特征图。将经过第五层的下采样层得到的特征图经过全连接层的映射后将会得到400*1的一个列向量,再经过一个输出层,将会得到二维的向量,通过二维的向量可以检测出该样本为阳性样本还是阴性样本。此处的卷积神经网络模型仅仅为一种示例,对于所述网络的卷积层和下采样层的个数均不作限定。通过增加卷积层下采样层的数目,增加卷积通道的数目均能使训练模型准确率有所提升。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
上述抗酸杆菌检测方法,通过采用具有多层卷积层和下采样层的卷积神经网络对抗酸杆菌图像进行特征提取和检测,通过先对预设卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,再根据所述训练后的卷积神经网络模型对所述测试样本进行测试的过程来检测抗酸杆菌图像是否包含结核杆菌。采用卷积神经网络算法减小了抗酸杆菌图像的特征图的尺寸,减小了需要训练的参数和计算量,提高了抗酸杆菌检测的准确率和效率,使得在结核病诊断中,诊断结果更加可靠。
实施例二
如图3所示,图3为本发明实施例提供的另一种抗酸杆菌检测方法的流程图。本实施中抗酸杆菌检测方法的执行主体为具有抗酸杆菌检测功能的装置,该装置可以为计算机、服务器和平板电脑等,此处不做限制。如图3所示的抗酸杆菌检测方法还可以包括以下步骤:
步骤S304,再次获取图像,将所述图像经过实施例一中训练后的卷积神经网络,获取阳性样本,根据获得的阳性样本构造并训练特征提取器,获得随机森林分类器。通过增加随机森林分类器对所述卷积神经网络得到的阳性样本进行筛选,进一步提高抗酸杆菌检测的准确率。所述步骤S304,具体包括步骤S3041、步骤S3042和步骤S3043。
步骤S3041,再次获取抗酸杆菌的图像。
容易理解的,此处的获取抗酸杆菌的图像的过程与实施例一中获取抗酸杆菌的图像的过程相同,所述步骤为先对抗酸杆菌进行染色,在获取染色后的切片图像,对切片图像中结核杆菌的位置进行标注这三个步骤。
步骤S3042,采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本。
容易理解的,此处设计的随机森林分类器是为了提高卷积神经网络模型的检测准确率,因此这里仅仅构造训练样本即可,将构造的训练样本输入至实施例一中训练后的卷积神经网络模型中,经过卷积神经网络模型的特征提取和分类后将会得到第一阳性样本和第一阴性样本。所述第一阳性样本包括两个部分:假阳性样本和真阳性样本,所述假阳性样本指的是检测结果为包含结核杆菌,但是标注信息为不包含结核杆菌,所述真阳性样本指的是检测结果与标注信息均为包含结核杆菌。
步骤S3043,构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
为了对卷积神经网络识别出的阳性样本进行再次的筛选,去除掉阳性样本中的假阳性样本,从而针对所述阳性样本人工设计随机森林分类器,所述随机森林分类器是利用多棵子决策树先对样本进行训练,再利用训练好的随机森林分类器去对测试样本进行测试。需要注意的是,随机森林分类器采用的是有放回的抽样方法。示例性的,假如随机森林中含有三棵子决策树,将某一数据样本放入每个子决策树中,得到三个子决策树的分类结果,如果三棵子决策树种两棵子决策树的分类结果为A类,而一棵子决策树的分类结果为B,则该数据样本被分为A类。
步骤S305,将所述实施例一中经过卷积神经网络得到的阳性样本输入值至步骤S304得到的随机森林分类器中,将所述卷积神经网络检测到的真阳性样本进行筛选。
步骤S3051,根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本。
与步骤S3042中获取的第一阳性样本的过程类似,此处的第二阳性样本指的是首次获取的抗酸杆菌图像的测试样本在经过训练后的卷积神经网络后得到的阳性样本,也就是说,所述卷积神经网络模型和所述随机森林分类器模型的训练样本不同,但是采用的测试样本的来源相同,并且随机森林分类器的输入测试样本为测试样本经过所述卷积神经网络后得到的阳性样本,也就是此处所述的第二阳性样本。
步骤S3052,根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取。
所述随机森林在做分类器的过程中也包括对数据的特征提取过程,其中决策树的每一个节点都是对于一个数据样本的特征表达。因此,在采用训练好的随机森林分类器对第二阳性样本中的样本数据进行筛选时,先采用随机森林分类器对样本进行特征提取,获取真阳性样本和假阳性样本的特征,根据所述特征值筛选出真阳性样本。
步骤S3053,根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
在经过上述步骤S3052后,获得假阳性样本和真阳性样本的特征值,随机森林分类器中的每个子决策树再根据获得的特征值对样本进行分类,最后综合所有子决策树的分类结果获得所述样本的检测结果。通过增加随机森林分类器能够改善仅采用卷积神经网络模型对样本进行检测时出现的误判情况,也就是从采用卷积神经网络模型得到的阳性样本中筛选出真阳性样本,剔除假阳性样本,从而使得诊断结果的准确度能够进一步的提高。
上述抗酸杆菌检测方法,通过在实施例一提供的卷积神经网络分类器的基础上,针对卷积神经网络检测出的阳性样本设计随机森林分类器,通过采用随机森林分类器对将所述卷积神经网络检测到的真阳性样本进行筛选,从而进一步提高所述卷积神经网络检测抗酸杆菌的准确率。
实施例三
参见图4,示出了本发明实施例提供的一种抗酸杆菌检测装置的示意图。装置可以为具有抗酸杆菌检测功能的装置,该装置可以为计算机、服务器和平板电脑等装置,此处不做限制。本实施例的装置包括的各单元用于执行图1和图2对应的实施例中的各步骤,具体请参阅图1、图2及图1、图2对应的实施例中的相关描述,此处不赘述。本实施例的装置包括第一图像获取模块401、图像训练模块402和第一图像测试模块403。
第一图像获取模块401,用于获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
图像训练模块402,用于根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
第一图像测试模块403,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
可选的,所述图像训练模块402包括:第一参数获取单元4021、第二参数获取单元4022和网络模型确立单元4023。
第一参数获取单元4021,用于根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例;
第二参数获取单元4022,用于根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例;
网络模型确定单元4023,用于根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
上述抗酸杆菌检测装置,通过第一图像获取模块获取抗酸杆菌的图像,通过图像训练模块先对预设卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,再通过第一图像测试模块根据所述训练后的卷积神经网络模型对所述测试样本进行测试的过程来检测抗酸杆菌图像是否包含结核杆菌。采用具有多层卷积层和下采样层的卷积神经网络对抗酸杆菌图像进行特征提取和检测,减小了抗酸杆菌图像的特征图的尺寸,减小了需要训练的参数和计算量,提高了抗酸杆菌检测的准确率和效率,使得在结核病诊断中,诊断结果更加可靠。
实施例四
本发明实施例提供了另一种抗酸杆菌检测装置,在图4所示的抗酸杆菌检测装置所包含的模块的基础上,还包括图5所示的各个模块。所述抗酸杆菌检测装置还包括:第二图像获取模块501、第一阳性样本获取模块502、分类器获取模块503、第二阳性样本获取模块504、特征提取模块505和目标筛选模块506。
第二图像获取模块501,用于再次获取抗酸杆菌的图像;
第一阳性样本获取模块502,用于采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本;
分类器获取模块503,用于构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
第二阳性样本获取模块504,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本;
特征提取模块505,用于根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取;
目标筛选模块506,用于根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
本实施例的装置包括的各单元用于执行图3中步骤S304和步骤S305中的各步骤,具体请参阅图3及图3对应的实施例中的相关描述,此处不赘述。
上述抗酸杆菌检测装置,通过在实施例三提供的抗酸杆菌检测装置的基础上,针对抗酸杆菌检测装置检测出的阳性样本设计随机森林分类器,通过采用随机森林分类器对将所述卷积神经网络检测到的真阳性样本进行筛选,从而进一步提高所述卷积神经网络检测抗酸杆菌的准确率。
实施例五
图6是本发明一实施例提供的抗酸杆菌检测装置的示意图。如图6所示,该实施例的抗酸杆菌检测装置60包括:处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603,例如搭建的卷积神经网络程序。所述处理器601执行所述计算机程序603时实现上述各个抗酸杆菌检测方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至403的功能。
示例性的,所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述抗酸杆菌检测装置60中的执行过程。例如,所述计算机程序603可以被分割成第一图像获取模块、图像训练模块和第一图像测试模块,各模块具体功能如下:
第一图像获取模块,用于获取抗酸杆菌图像;所述抗酸杆菌图像分为训练样本和测试样本;所述训练样本和测试样本均分为包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
图像训练模块,用于根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
第一图像测试模块,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
所述抗酸杆菌检测装置60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述抗酸杆菌检测装置可包括,但不仅限于,处理器601、存储器602。本领域技术人员可以理解,图6仅仅是抗酸杆菌检测装置60的示例,并不构成对抗酸杆菌检测装置60的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述抗酸杆菌检测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU)或图形图像处理器(Graphics Processing Unit,GPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述抗酸杆菌检测装置60的内部存储单元,例如抗酸杆菌检测装置60的硬盘或内存。所述存储器602也可以是所述抗酸杆菌检测装置60的外部存储设备,例如所述抗酸杆菌检测装置60上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述抗酸杆菌检测装置60的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述抗酸杆菌检测装置所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种抗酸杆菌检测方法,其特征在于,包括:
获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
2.如权利要求1所述的抗酸杆菌检测方法,其特征在于,所述根据所述训练样本对预设的卷积神经网络模型进行训练,包括:通过梯度下降的优化算法对预设的卷积神经网络模型进行训练;
所述通过梯度下降的优化算法对预设的卷积神经网络模型进行训练,包括:
根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例;
根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例;
根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
3.如权利要求1所述的抗酸杆菌检测方法,其特征在于,所述根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型后,包括:
再次获取抗酸杆菌的图像;
采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本;
构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
4.如权利要求3所述的抗酸杆菌检测方法,其特征在于,所述根据所述训练后的卷积神经网络模型对所述测试样本进行测试为:
根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本;
在所述根据所述训练后的卷积神经网络模型对所述测试样本进行测试后,所述方法还包括:
根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取;
根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
5.一种抗酸杆菌检测装置,其特征在于,包括:
第一图像获取模块,用于获取抗酸杆菌图像;所述抗酸杆菌图像包括训练样本和测试样本;所述训练样本和测试样本均包括包含结核杆菌的阳性样本和不包含结核杆菌的阴性样本;
图像训练模块,用于根据所述训练样本对预设的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
第一图像测试模块,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试。
6.如权利要求5所述的抗酸杆菌检测装置,其特征在于,所述图像训练模块包括:
第一参数获取单元,用于根据预设的卷积神经网络模型对所述训练样本进行训练,得到第一参数;其中,所述第一参数用于表示从所述抗酸杆菌图像中提取特征值的初始比例;
第二参数获取单元,用于根据预设损失函数和预设校准参数计算所述第一参数的误差,基于所述误差和所述第一参数得到第二参数;其中,所述第二参数用于表示从所述抗酸杆菌图像中提取特征值的最终比例;
网络模型确定单元,用于根据所述第二参数和所述预设卷积神经网络模型,确定训练后的卷积神经网络模型。
7.如权利要求5所述的抗酸杆菌检测装置,其特征在于,所述装置还包括:
第二图像获取模块,用于再次获取抗酸杆菌的图像;
第一阳性样本获取模块,用于采用训练后的卷积神经网络模型对再次获取的抗酸杆菌图像进行测试,获取第一阳性样本;所述第一阳性样本包括假阳性样本和真阳性样本;
分类器获取模块,用于构建特征提取器,根据所述第一阳性样本中的假阳性样本和真阳性样本训练所述特征提取器,得到随机森林分类器。
8.如权利要求7所述的抗酸杆菌检测装置,其特征在于,所述装置还包括:
第二阳性样本获取模块,用于根据所述训练后的卷积神经网络模型对所述测试样本进行测试,得到第二阳性样本;所述第二阳性样本包括假阳性样本和真阳性样本;
特征提取模块,用于根据所述特征提取器对所述第二阳性样本中的假阳性样本和真阳性样本分别进行特征提取;
目标筛选模块,用于根据所述随机森林分类器对所述第二阳性样本中的真阳性样本进行筛选。
9.一种抗酸杆菌检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810139754.3A CN108447047A (zh) | 2018-02-11 | 2018-02-11 | 抗酸杆菌检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810139754.3A CN108447047A (zh) | 2018-02-11 | 2018-02-11 | 抗酸杆菌检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447047A true CN108447047A (zh) | 2018-08-24 |
Family
ID=63192346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810139754.3A Pending CN108447047A (zh) | 2018-02-11 | 2018-02-11 | 抗酸杆菌检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
CN111489369A (zh) * | 2020-03-24 | 2020-08-04 | 玖壹叁陆零医学科技南京有限公司 | 幽门螺杆菌的定位方法、装置和电子设备 |
CN115375955A (zh) * | 2022-10-25 | 2022-11-22 | 北京鹰瞳科技发展股份有限公司 | 目标检测模型的训练方法、目标检测的方法及相关产品 |
Citations (4)
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 |
US20110183342A1 (en) * | 2008-09-22 | 2011-07-28 | Lewinsohn Deborah A | Methods for detecting a mycobacterium tuberculosis infection |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
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 |
-
2018
- 2018-02-11 CN CN201810139754.3A patent/CN108447047A/zh active Pending
Patent Citations (4)
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 |
US20110183342A1 (en) * | 2008-09-22 | 2011-07-28 | Lewinsohn Deborah A | Methods for detecting a mycobacterium tuberculosis infection |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815945A (zh) * | 2019-04-01 | 2019-05-28 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
CN109815945B (zh) * | 2019-04-01 | 2024-04-30 | 上海徒数科技有限公司 | 一种基于图像识别的呼吸道检查结果判读系统和方法 |
CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
CN110647945B (zh) * | 2019-09-27 | 2022-11-22 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、系统和实现装置 |
CN111489369A (zh) * | 2020-03-24 | 2020-08-04 | 玖壹叁陆零医学科技南京有限公司 | 幽门螺杆菌的定位方法、装置和电子设备 |
CN111489369B (zh) * | 2020-03-24 | 2024-02-13 | 玖壹叁陆零医学科技南京有限公司 | 幽门螺杆菌的定位方法、装置和电子设备 |
CN115375955A (zh) * | 2022-10-25 | 2022-11-22 | 北京鹰瞳科技发展股份有限公司 | 目标检测模型的训练方法、目标检测的方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
Agaian et al. | A new acute leukaemia-automated classification system | |
CN106250914B (zh) | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
Yoon et al. | Tumor identification in colorectal histology images using a convolutional neural network | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
CN107665491A (zh) | 病理图像的识别方法及系统 | |
CN110084237A (zh) | 肺结节的检测模型构建方法、检测方法和装置 | |
CN108426994A (zh) | 分析数字全息显微术数据以用于血液学应用 | |
Alghodhaifi et al. | Predicting invasive ductal carcinoma in breast histology images using convolutional neural network | |
JP2023544466A (ja) | Pet/ctに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置 | |
Mridha et al. | Deep learning algorithms are used to automatically detection invasive ducal carcinoma in whole slide images | |
Jameela et al. | Deep learning and transfer learning for malaria detection | |
Luo et al. | A deep convolutional neural network for diabetic retinopathy detection via mining local and long‐range dependence | |
KR102498686B1 (ko) | 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
CN107145715A (zh) | 一种基于推举算法的临床医学智能判别装置 | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
CN113158821A (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
de Vente et al. | Automated COVID-19 grading with convolutional neural networks in computed tomography scans: a systematic comparison | |
Hortinela IV et al. | Development of abnormal red blood cells classifier using image processing techniques with support vector machine | |
Lin et al. | Automated malaria cells detection from blood smears under severe class imbalance via importance-aware balanced group softmax | |
Dipto et al. | Interpretable covid-19 classification leveraging ensemble neural network and xai | |
Frewing et al. | Don't fear the artificial intelligence: a systematic review of machine learning for prostate cancer detection in pathology |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210423 |
|
AD01 | Patent right deemed abandoned |