CN108830149A - 一种目标细菌的检测方法及终端设备 - Google Patents
一种目标细菌的检测方法及终端设备 Download PDFInfo
- Publication number
- CN108830149A CN108830149A CN201810424569.9A CN201810424569A CN108830149A CN 108830149 A CN108830149 A CN 108830149A CN 201810424569 A CN201810424569 A CN 201810424569A CN 108830149 A CN108830149 A CN 108830149A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- original image
- obtains
- target bacteria
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于计算机图像处理技术领域，提供了一种目标细菌的检测方法及终端设备，所述方法包括：本发明获取待检测细菌切片的原始图像；识别所述原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像；将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；根据图像识别结果，确定原始图像中目标细菌的位置信息。本发明通过图像处理的方法识别原始图像中的目标细菌，得到检测结果，提高了目标细菌的检测效率及检测精度。
Description
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种目标细菌的检测方法及终端设备。
背景技术
自1983年发现幽门螺杆菌(Helicobacter Pylori，简称HP)以来，研究已经证明幽门螺杆菌可导致胃溃疡、胃炎、胃癌和十二指肠溃疡等疾病。胃病患者胃粘膜的幽门螺杆菌检出率高达59％～77％，对幽门螺杆菌感染情况的精确诊断，将有助于治疗由其引起的各种肠胃疾病。
迄今为止，幽门螺杆菌的检测方法主要分为两大类：不使用胃镜的非侵入式检查，使用胃镜取活检的侵入式检查。非侵入式检查包括血清学方法、胃液PCR及同位素标记物的呼气试验。侵入式检查包括微生物学和病理学方法。其中，病理学方法能够观察到幽门螺杆菌本体和被感染的胃粘膜组织形态，精确掌握病因，且耗时较短，因此是临床检查的金标准方法。
但是，当前的病理学检查方法需要经验丰富的病理医生在40倍物镜或100倍油镜下对组织切片进行长时间观测才能得出准确的诊断结论，检测效率低下，且人工检测的精度较低，容易造成观测遗漏的问题。
发明内容
有鉴于此，本发明实施例提供了一种目标细菌的检测方法及终端设备，以解决现有技术中目标细菌的检测效率低下、检测精度低的问题。
本发明实施例的第一方面提供了一种目标细菌的检测方法，包括：
获取待检测细菌切片的原始图像；
识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像；
将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；
根据图像识别结果，确定原始图像中目标细菌的位置信息。
本发明实施例的第二方面提供了一种终端设备，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如上所述方法的步骤。
本发明实施例的第三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如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例获取待检测细菌切片的原始图像；识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像；将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；根据图像识别结果，确定原始图像中目标细菌的位置信息。本发明实施例通过图像处理的方法识别原始图像中的目标细菌的位置，得到检测结果，提高了目标细菌的检测效率及检测精度。
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目标细菌的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S102的具体实现流程示意图；
图3是本发明实施例提供的图2中S203的具体实现流程示意图；
图4是本发明实施例提供的目标细菌的检测装置的结构示例图；
图5是本发明实施例提供的图4中清晰网格图像获取模块的结构示意图；
图6是本发明实施例提供的图5中同一坐标清晰网格图像获取单元的结构示意图；
图7是本发明实施例提供的有效活动区域的识别过程的图像示例图；
图8是本发明实施例提供的终端设备的示意图。
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。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
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。
实施例1：
图1示出了本发明的一个实施例提供的一种目标细菌的检测方法的实现流程，本实施例的流程执行主体可以是终端设备，其过程详述如下：
在S101中，获取待检测细菌切片的原始图像。
在本实施例中，待检测细菌通常可以为在组织腺腔内活动的细菌，原始图像可以为待检测细菌的全片数字图像。
以幽门螺杆菌为例，待检测细菌切片为病理切片，首先可以通过扫描仪在高倍率下对待检测细菌切片进行扫描，得到原始图像，此处扫描仪可以为数字扫描仪，高倍率可以为40倍、100倍等。
在S102中，识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像。
在本实施例中，可以通过图像处理方法获取原始图像中目标细菌的有效活动区域，并根据有效活动区域划分预设数量的清晰网格图像。
在S103中，将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果。
在本实施例中，将上述预设数量的清晰网格图像输入神经网络模型，通过神经网络模型对清晰网格图像进行分类识别，得到图像识别效果，神经网络模型可以为卷积神经网络模型，图像识别结果包括阳性和阴性，通过神经网络模型识别清晰网格图像为阳性还是阴性。
在S104中，根据图像识别结果，确定原始图像中目标细菌的位置信息。
在本实施例中，通过清晰网格图像的分类结果，确定原始图像中目标细菌的位置信息，具体可以为：
当清晰网格图像的图像识别结果为阳性时，确定为目标细菌区域，当清晰网格图像的图像识别结果为阴性时，确定为非目标细菌区域。
从上述实施例可知，本发明实施例获取待检测细菌切片的原始图像；识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像；将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；根据图像识别结果，确定原始图像中目标细菌的位置信息。本发明实施例通过图像处理的方法识别原始图像中的目标细菌，得到检测结果，提高了目标细菌的检测效率及检测精度。
在本发明的一个实施例中，图1中步骤S101的具体实现流程详述如下：
在一个实施例中，获取对待检测细菌切片进行多层扫描后的多层原始图像；或者获取待检测细菌切片的融合原始图像；融合原始图像为将待检测细菌切片的多层原始图像进行融合得到的图像。
在本实施例中，原始图像可以为多层原始图像也可以为融合原始图像。
在本实施例中，多层扫描是指以扫描仪自动对焦后的镜头位置为中心，以固定间隔垂直向上和向下移动镜头多次，每次移动后在该位置上进行扫描切片得到一张新的图像，使用数字扫描仪在高倍率下对待检测细菌切片进行多层扫描，产生多张扫描图像，即为多层原始图像。
在本实施例中，使用数字扫描仪在高倍率下对待检测细菌切片进行多层扫描，得到多张扫描图像，再将多张扫描图像融合为一张原始图像，即为融合原始图像，由于融合原始图像为每一层原始图像融合而成的图像，所以融合原始图像的清晰度大于多层原始图像中的任一张原始图像。
在本实施例中，在获取融合原始图像时，可以采用具有融合功能的数字扫描仪，直接得到融合原始图像。
如图2所示，图2示出了本发明实施例提供的图1中S102的具体实现流程，详述如下：
在S201中，随机选取一层原始图像，并识别选取的原始图像中目标细菌的有效活动区域。
在本实施例中，当原始图像为多层原始图像时，随机选取其中一层原始图像，并识别选取的原始图像中目标细菌的有效活动区域，有效活动区域为存在幽门螺杆菌的区域。
在S202中，基于有效活动区域对各层原始图像进行重叠网格切割，得到预设第一数量的有效网格图像，并获取各个有效网格图像的坐标。
在本实施例中，有效活动区域以掩码图像的方式呈现，根据该层原始图像的有效活动区域的位置信息，取各层原始图像中该位置的图像为有效活动区域图像，并对各层有效活动区域图像进行重叠网格划分。
在本实施例中，将各层有效活动区域图像以固定的图像尺寸及固定步长进行重叠网格切割，原始图像切割得到的预设第一数量的有效网格图像均为部分重叠的图像。例如，在原始图像的宽度方向上进行重叠网格切割的方式可以为：网格图像的尺寸为固定图像尺寸，有效网格图像宽度的二分之一为固定步长，以固定步长在原始图像长度和/或宽度方向上滑动取样，得到预设第一数量的有效网格图像。这样得到的每个有效网格图像均有部分区域与其相邻的有效网格图像重叠，按照上述重叠网格切割的方法将多层有效活动区域图像切割为预设第一数量的有效网格图像。
在本实施例中，各个有效网格图像可以以有效网格图像中心为坐标，也可以以有效网格图像的某个顶角作为坐标，在此不做具体限定，每一层有效网格图像的坐标设置均相同。
在S203中，根据清晰度评价算法，选取同一坐标下各层有效网格图像中清晰度最高的有效网格图像，作为同一坐标的清晰网格图像。
在S204中，依次选取各个坐标的清晰网格图像，得到预设数量的清晰网格图像。
在本实施例中，从同一坐标的多层有效网格图像中选取清晰度最高的有效网格图像作为清晰网格图像，再按照同样的方法，得到每个同一坐标对应的多层有效网格图像中的清晰度最高的图像。
在本实施例中，依次选取每一个坐标对应的多层有效网格图像中最清晰的有效网格图像，得到每个坐标的清晰网格图像，从而得到预设数量的清晰网格图像。
从上述实施例可知，当原始图像为多层原始图像时，通过清晰度评价算法，得到清晰度最高的清晰网格图像，从而根据高清晰度的清晰网格图像，得到更加精确的图像识别结果。
从上述实施例可知，通过对待检测细菌切片进行多层扫描，并使用清晰度评价方式选取最清晰的有效活动区域，解决了普通扫描下幽门螺杆菌模糊不清的问题。当待检测细菌切片为胃活检切片时，胃活检切片上的组织厚度约为4～5um，而幽门螺杆菌的本体尺寸很小，长约2.5um～4um，宽约0.5um～1um，由于物镜的景深有限，普通40倍的单次扫描无法做到对组织中高低不平的所有幽门螺杆菌都能准确聚焦，因此造成很多组织局部的幽门螺杆菌成像模糊，无法应用图像识别；采用多层扫描技术，以0.5um为镜头移动间距进行5层或7层扫描，不论幽门螺杆菌处于组织区的任何高度，均可以保证有1～2层能准确聚焦，产生清晰的图像。
如图3所示，图3示出了本发明实施例提供的图1中S203的具体实现流程，详述如下：
在S301中，将同一坐标对应的各层有效网格图像分别转换为第一灰度图像。
在本实施例中，将同一坐标对应的各层有效网格图像进行解压缩，解压缩的方法可以为JPEG(Joint Photographic Experts Group，联合图像专家小组)解压缩方法，解压缩后的各层有效网格图像的存储格式可以为RGB格式或者RGBA格式。
在本实施例中，将各有效网格图像解压缩之后，再转换为灰度图像，转换方法可以参考国际色彩标准luma REC601或REC709。
在S302中，按照预设规则分别缩小各个第一灰度图像，得到对应的第二灰度图像。
在本实施例中，预设规则可以为：每4个排列为田字形的像素点缩小为一个像素点，从每4个排列为田字形的像素点中取一个固定点的像素灰度值作为缩小后图像的灰度值；或取4个排列为田字形的像素点的灰度平均值。转换后的灰度值使用浮点数。
在本实施例中，通过缩小各个灰度图像，得到对应的第二灰度图像。
在S303中，对各个第二灰度图像分别进行边缘扩充，得到对应的第三灰度图像，第三灰度图像包括非扩充区域和扩充区域。
在本实施例中，对第二灰度图像进行边缘扩充的方法可以包括：在第二灰度图像的四个边缘外增加一排像素点，增加像素点的灰度值与最邻近的边缘像素点的值相同。例如，当第二灰度图像为32*32像素，则扩充后的第三灰度图像则变成34*34像素。
在S304中，根据各个第三灰度图像非扩充区域内的像素点的灰度值，计算各个第三灰度图像的总锐度值。
在本实施例中，计算第三灰度图像总锐度值的方法可以包括：
1)对第三灰度图像非扩充区域的像素点分别进行锐度计算，得到第三灰度图像非扩充区域各个像素点的锐度值；
2)将第三灰度图像非扩充区域所有像素点的锐度值相加，得到第三灰度图像的总锐度值。
在本实施例中，以第三灰度图像非扩充区域中一个像素点为例，第三灰度图像非扩充区域的像素点锐度值的计算方法可以为：
先取该像素点周围8个像素点的灰度值，分别计算8个像素点的灰度值与该像素点灰度值的差异值，再将每个差异值乘以预设权重系数，得到第一差异值，并将所有的第一差异值相加，得到该像素点的锐度值。
在本实施例中，预设权重系数的取值可以为：
其中，除去中间的0，其他的数值为该像素点与对应的相邻像素点的灰度差异值所需的预设权重系数，d的取值范围可以为0.5～0.8，s的取值范围可以为0.8～1.2。
在本实施例中，通过得到每一个像素点的锐度值，将第三灰度图像非扩充区域所有像素点的锐度值相加，得到第三灰度图像总锐度值。
在S305中，选取总锐度值最大的第三灰度图像的层号作为最优层号，并将第一有效网格图像作为同一坐标的清晰网格图像；第一有效网格图像为同一坐标的各层有效网格图像中最优层号对应的有效网格图像。
在本实施例中，由于每一层原始图像的图像内容相同，在内容相同的前提下，总锐度值最大的图像清晰度最高，因此选取总锐度值最大的第三灰度图像的层号作为最优层号，然后获取第一有效网格图像为同一坐标的清晰网格图像。
从上述实施例可知，通过计算图像锐度值的方法识别清晰度最高的有效网格图像，计算简单，能够快速精确的识别出清晰度最高的有效网格图像。
在本发明的一个实施例中，图2中S201的具体实现流程还包括：
S401：对随机选取的原始图像进行二值化处理，生成第一掩码图像；第一掩码图像包括前景和背景。
在本实施例中，对随机选取的原始图像进行二值化处理，生成第一掩码图像，第一掩码图像的所有像素值只有0和1，在本实施例中，以像素值为1的像素点为背景，以像素值为0的像素点为前景；或者，以像素值为1的像素点为前景，以像素值为0的像素点为背景。
S402：将第一掩码图像的前景中面积最大的连通域置为背景，得到封闭腺腔掩码图像。
S403：根据第一掩码图像及图像形态学方法，得到轮廓线掩码图像。
在本实施例中，通过图像形态学方法，得到轮廓线掩码图像，其中，图像形态学主要用于从第一掩码图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最为本质的形状特征，如边界和连通区域等。图像形态学方法包括腐蚀、膨胀、细化、灰度开运算和灰度闭运算等，轮廓线掩码图像为有效活动区域的轮廓线的掩码图像，其中轮廓线为至少一个像素点宽度的有效活动区域的边界区域，以幽门螺杆菌为例，轮廓线掩码图像反应的是幽门螺杆菌的组织边缘部分。
S404：将封闭腺腔掩码图像和轮廓线掩码图像进行合并，生成第二掩码图像。
在本实施例中，分别将封闭腺腔掩码图像中的各个像素点的掩码与轮廓线掩码图像中对应位置的像素点的掩码相加，得到相加后合并的掩码图像，即为第二掩码图像。第二掩码图像能够清晰的显示出有效活动区域，根据第二掩码图像，能够确定原始图像中有效活动区域的位置，此处确定原始图像中有效区域位置的方法包括：
在原始图像中标注有效活动区域的准确位置；或通过文件保存原始图像中有效活动区域的位置信息。
S405：根据所述第二掩码图像确定所述有效活动区域。
从上述实施例可知，本实施例通过图像形态学方法实现了对有效活动区域的识别，既提高了有效活动区域识别的准确性又提高了有效活动区域的识别效率。
在本发明的一个实施例中，上述步骤S401的具体实现流程还包括：
S501：获取随机选取的原始图像。
S502：按照预设倍数对随机选取的原始图像进行缩放，得到随机选取的原始图像的缩略图。
在本实施例中，当随机获取到一层原始图像后，首先需要对该原始图像进行缩放，预设倍数可以为3倍，或者其他倍数，在此不做具体限定，通过缩放该原始图像，得到该原始图像的缩略图。
S503：将缩略图的颜色空间从RGB颜色空间转换为YUV颜色空间，并获取YUV颜色空间中的U通道图像。
在本实施例中，为了便于提取缩略图中的有效活动区域，将缩略图从RGB颜色空间转化为YUV颜色空间，YUV颜色空间中的“Y”表示明亮度(Luminance，光亮度)，也就是灰阶值；而“U”和“V”表示的则是色度(Chrominance，色度)，作用是描述影像色彩及饱和度，用于指定像素的颜色。
在本实施例中，取YUV颜色空间中的U通道图像，也就是色度通道图像进行后续图像处理。
S504：根据最大类间方差方法，对U通道图像进行二值化处理，得到第三掩码图像。
在本实施例中，根据最大类间方差方法，得到第三掩码图像，其中，最大类间方差方法是一种确定图像二值化分割阈值的算法，其通过预设一个最佳分割阈值，将U通道图像中像素值大于最佳分割阈值的像素点的值设置为1，像素值小于最佳分割阈值的像素点的值设置为0。从而完成缩略图的二值化，得到第三掩码图像。
S505：对第三掩码图像进行取反处理，得到第一掩码图像。
在本实施例中，将第三掩码图像中的像素点进行取反处理，将原值为1的像素点的值置为0，将原值为0的像素点的值置为1。
如图7所示，图7示出了本实施例由原始图像转换为第二掩码图像的具体示例图。其中，图7a)为随机选取的原始图像的缩略图；图7b)为经过二值化处理的第三掩码图像，图中值为1的像素点称为前景，值为0的像素点称为背景；图7c)为对第三掩码图像进行取反操作的第一掩码图像。图中值为1的像素点称为前景，值为0的像素点称为背景。
从上述实施例可知，通过获取缩略图YUV颜色空间的U通道图像，能够清晰的通过各个像素点的色度进行分类，从而使图像二值化的结果更加精确，得到更为精确的第一掩码图像。
在本发明的一个实施例中，步骤S505的具体实现流程，详述如下：
在S601中，对第三掩码图像进行取反处理。
在S602中，将经过取反处理的第三掩码图像中连通域面积小于第一预设阈值的前景设置为背景，得到第一掩码图像。
在本实施例中，通过对第三掩码图像进行取反，并利用图像形态学方法，将取反处理后的第三掩码图像中的连通域面积小于第一预设阈值的前景设置为背景，从而得到第一掩码图像。其中连通域表示像素值相同的像素点组成的区域，连通域面积由连通域的像素点个数确定。第一预设阈值可以根据缩略图的缩放倍数确定。当缩放倍数为3倍时，第一预设阈值可以取值为16；当缩放倍数为4倍时，第一阈值的取值为4，以此类推。例如，当缩放倍数为3倍，第三掩码图像中连通域的像素点个数小于16时，将该连通域的掩码进行取反处理，从而实现该连通域从前景到背景的转换。
从上述实施例可知，通过对第三掩码图像进行取反并将连通域面积小于第一预设阈值的前景置为背景，从而得到更加准确地第一掩码图像。
在本发明的一个实施例中，上述步骤S403的具体实现流程还包括：
S701：对第一掩码图像的掩码进行取反处理。
S702：将经过取反处理的第一掩码图像中前景内的所有封闭的背景设置为前景，得到第四掩码图像。
在本实施例中，利用图像形态学方法，对第一掩码图像进行取反处理，并将取反处理后的第一掩码图像中前景内所有封闭的背景区域进行取反处理，从而设置为前景，得到的第四掩码图像如图7e)所示。
S703：对第四掩码图像按照预设像素点个数进行连通操作，得到第五掩码图像。
在本实施例中，预设像素点个数可以为2个，也可以为其他任意个数。第五掩码图像的示例图如图7f)所示。
S704：将第五掩码图像中连通域面积小于第二预设阈值的前景设置为背景，得到第六掩码图像。
在本实施例中，第二预设阈值的取值公式为：
t＝200*25-m；
其中，m为缩略图的缩放倍数。
S705：根据形态学膨胀方法扩大第六掩码图像中前景的像素点数量，得到第七掩码图像。
在本实施例中，形态学膨胀方法用于将与有效活动区域接触的所有背景点合并到前景中，添补前景中的空洞。为了提取有效活动区域的边界，根据形态学膨胀方法扩大第六掩码图像中前景的数量，得到第七掩码图像，如图7h)所示。
在本实施例中，形态学膨胀方法的迭代次数c的计算公式为：
c＝6*25-m；
其中，m为缩略图的缩放倍数。
S706：获取第七掩码图像中前景和第五掩码图像中前景的掩码交集，将第七掩码图像中掩码交集的区域置为背景，得到轮廓线掩码图像。
在本实施例中，轮廓线掩码图像的示例图如图7i)所示。
在本实施例中，将第七掩码图像中前景与第五掩码图像中前景的掩码交集部分进行取反处理，从而使第七掩码图像中掩码交集的区域转换为背景，得到轮廓线掩码图像。
从上述实施例可知，通过利用图像形态学方法，对第一掩码图像进行一系列处理，从而得到更加精确的轮廓线掩码图像。
在本实施例中，如图7j)所示，将封闭腺腔掩码图像和轮廓线掩码图像进行合并，生成第二掩码图像，并根据第二掩码图像确定有效活动区域。
在本发明的一个实施例中，图1中S103的具体实现流程包括：
S801：将预设数量的清晰网格图像输入神经网络模型，得到各个清晰网格图像的第一概率值，所述第一概率值为清晰网格图像包含目标细菌的概率值。
S802：根据各个清晰网格图像的第一概率值，将各个清晰网格图像按照预设概率阈值分类，得到图像识别结果，图像识别结果包括阳性图像和阴性图像。
从上述实施例可知，通过神经网络模型识别清晰网格图像的分类结果，提高了图像识别结果的准确性。
在本发明的一个实施例中，在步骤S103之前，目标细菌的检测方法还包括：
S901：获取神经网络的神经元参数。
在本实施例中，首选可以获取神经网络各层的神经元参数，神经网络的每层网络都包括多个神经元参数。
在本实施例中，神经网络可以为卷积神经网络，卷积神经网络的模型具体可以是AlexNet模型、CIFAR10模型、GoogleNet模型以及ResNet模型。
在本实施例中，以一个的五层的CIFAR-10的人工卷积神经网络为例，神经网络的前两层为卷积层，第三、四层是全连接层，第五层为softmax linear层，卷积层和全连接层均采用Relu(Rectified Linear Units)作为激活函数。
首先获取五层神经网络的每层的神经元参数，神经元参数用于神经网络的识别，精确的神经元参数能够使输入神经网络的清晰网格图像的识别效果更好，分类更加精确。神经元参数的设置可以服从正态分布，也可以为随机方式，在此不做限定。
S902：将预设第二数量的样本图像输入神经网络，计算各个样本图像的分类概率值，样本图像为包含分类标签值的样本图像。
在本实施例中，样本图像为已经分类好的包含有分类标签值得样本图像，样本图像包括阳性样本和阴性样本，每一批输入神经网络的样本图像的阳性样本和阴性样本以平均分布为最好，样本图像的预设第二数量范围选为32～512，一次训练的样本图像的数量最少为32个，最多为512个。样本图像通过神经网络的计算，得到其对应的分类概率值，分类概率值为样本图像在某一类别中出现的概率。
在本发明的一个实施例中步骤S902还包括：
S1001：获取各个样本图像的像素值矩阵。
在本实施例中，首先需要获取样本图像的像素值矩阵，像素值矩阵为以样本图像的像素点位置排列，以样本图像的像素点的数值为元素的矩阵。
S1002，根据神经网络的神经元参数，对各个样本图像的像素值矩阵进行计算，得到各个样本图像的分类概率值。
在本实施例中，神经网络的每层网络均包括多个神经元参数。以上述五层神经网络为例，在神经网络的第一层，通过第一层网络的神经元参数及样本图像的像素值矩阵，得到第一层网络的样本图像特征矩阵；然后将第一层网络的特征矩阵输入第二层网络，根据第二层网络的神经元参数和第一层网络的样本图像特征矩阵，计算得到第二层网络的样本图像特征矩阵；以此类推，最终得到第五层网络的样本图像的图像特征，并根据各个样本图像的图像特征得到各个样本图像的分类概率值。
通过各层神经网络的神经元参数，得到样本图像的图像特征，提高了样本图像特征提取的准确性，进一步使得到的样本图像分类概率值更加精确。
S903：根据神经元参数及各个样本图像的分类概率值，计算分类损失值。
在本实施例中，步骤S903具体包括：
S1101中，对神经网络的各层网络的神经元参数进行正则化，得到各层网络的正则化数值。
在本实施例中，将每一层神经网络的多个神经元参数分别进行正则化，得到各层神经网络的正则化数值，正则化方法可以采用L2正则化方法。
在S1102中，根据各个样本图像的分类概率值及分类标签值，计算各个样本图像的交叉熵损失。
在S1103中，根据正则化数值和各个样本图像的交叉熵损失，计算分类损失值。
在本实施例中，根据神经网络各层的正则化数值和各个样本图像的交叉熵损失，以及预设损失函数，得到分类损失值。
在本发明的一个实施例中，S1103的具体实现流程还包括：
在S1201中，根据预设损失函数、正则化数值和各个样本图像的交叉熵损失，计算各个样本图像的第一损失值。
在S1202中，将各个样本图像的第一损失值求平均，得到分类损失值。
在本发明的一个实施例中，预设损失函数为：
其中，Losstotal表示第一损失值，Lsoftmax表示交叉熵损失，ki表示第i层网络的权重系数，Li表示第i层网络的正则化数值，n表示神经网络的总层数。
在本实施例中，以上述五层卷积神经网络为例，权重系数可以设为0.004，则第一损失值的计算过程为：
其中，Losstotal表示交叉熵损失，L2conv1表示第一层卷积层的正则化数值，L2conv2表示第二层卷积层的正则化数值，L2fc1表示第三层全连接层的正则化数值，L2fc2表示第四层全连接层的正则化数值，L2softmaxlinear表示第五层的正则化数值。则Losstotal为单个样本图像的第一损失值。
在本实施例中，将每张样本图像的第一损失值加和求平均，得到样本图像的平均值，并作为样本图像的分类损失值。
在本实施例中，权重系数的取值范围可以为0～0.1之间的任意实数，通过为每层神经网络的正则化数值分配一个权重系数，加入到损失函数的计算式中，从而减少神经网络的神经元参数训练的迭代次数，降低假阳性率。
S904：根据分类损失值，对神经网络的神经元参数进行调整。
在本发明的一个实施例中，S904的实现流程详述如下：
在一个实施例中，根据分类损失值，采用随机梯度下降方法对神经网络的神经元参数进行调整。
在本实施例中，根据分类损失值和随机梯度下降方法，计算网络反向梯度的大小，再根据网络反向梯度的大小依次对各层神经元参数进行调整。
在本实施例中，训练神经网络时的初始学习率可以设置为0.01～0.2，并以指数衰减的方式衰减初始学习率，衰减系数的取值范围可以为0.01～0.25，并且每训练m张样本图像则衰减一次初始学习率，其中m的取值公式为：
m＝x*n
其中，x为样本图像训练一次的数量，n为调节系数，调节系数的取值为1～400。
在本实施例中，通过训练将样本图像的分类损失值降低到预设分类阈值以下，从而得到更为精确的神经网络各层的神经元参数，提高神经网络的识别精度。
在本实施例中，通过不断的输入样本图像到神经网络，调整神经元参数，当得到的样本图像的分类损失值小于预设分类阈值时，获得最优的神经元参数，从而提高神经网络的识别精度，使神经网络的识别效果达到最佳。
在本发明的一个实施例中，当原始图像为融合原始图像时，图1中S102的实现流程包括：
S1301：识别融合原始图像中目标细菌的有效活动区域，得到有效区域图像。
S1302：对有效区域图像进行重叠网格划分，得到预设数量的清晰网格图像。
在本实施例中，除上述步骤S102与多层原始图像目标细菌的检测方法的实现步骤不同外，其他步骤与多层原始图像的的目标检测方法相同。
从上述实施例可知，通过融合原始图像，能够直接获取清晰度最高的有效区域图像，从而方便的得到预设数量的清晰网格图像，使目标细菌的检测的方法更加简便。
从上述实施例可知，由于传统的细菌病理学检测方法需要经验丰富的医生进行检测，医生的数量和精力都有限，难以实现大规模推广和普及。在日常工作中，医生的诊断结论存不可重复的现象，诊断过程难以回溯；在高倍显微镜下去寻找微小的细菌，需要耗费大量时间和精力，容易造成漏检的现象。综上所述，本发明实施例提供一种目标细菌的检测方法，可以解决上述问题，能够成为医生的可靠辅助手段，有效实现大规模推广。
从上述实施例可知，本发明实施例应用神经网络模型对原始图像中的幽门螺杆菌进行识别，在识别精度和速度上远胜过其它图像识别算法。本发明实施例提供的神经网络模型对于数字图像目标的色彩差异、明暗程度、位置偏移、形态差异性具有更好地适应性，因此本发明实施例在对目标细菌的识别上具有更好的泛化效果。
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。
实施例2：
如图4所示，本发明的一个实施例提供的目标细菌的检测装置1000，用于执行图1所对应的实施例中的方法步骤，其包括：
原始图像获取模块1100，用于获取待检测细菌切片的原始图像。
清晰网格图像获取模块1200，用于识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像。
图像识别结果获取模块1300，用于将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果。
目标细菌位置信息确定模块1400，用于根据图像识别结果，确定原始图像中目标细菌的位置信息。
从上述实施例可知，本发明实施例获取待检测细菌切片的原始图像；识别原始图像中目标细菌的有效活动区域，并根据有效活动区域得到预设数量的清晰网格图像；将预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；根据图像识别结果，确定原始图像中目标细菌的位置信息。本发明实施例通过图像处理的方法识别原始图像中的目标细菌，得到检测结果，提高了目标细菌的检测效率及检测精度。
如图5所示，在本发明的一个实施例中，图4所对应的实施例中的有效网格图像获取模块1200还包括用于执行图2所对应的实施例中的方法步骤的结构，其包括：
有效活动区域获取单元1210，用于随机选取一层原始图像，并识别选取的原始图像中目标细菌的有效活动区域。
有效网格图像获取单元1220，用于基于所述有效活动区域，对各层原始图像进行重叠网格切割，得到预设第一数量的有效网格图像，并获取各个有效网格图像的坐标。
同一坐标清晰网格图像获取单元1230，用于根据清晰度评价算法，选取同一坐标下各层有效网格图像中清晰度最高的有效网格图像，作为同一坐标的清晰网格图像
清晰网格图像获取单元1240，用于依次选取各个坐标的清晰网格图像，得到预设数量的清晰网格图像。
从上述实施例可知，当原始图像为多层原始图像时，通过清晰度评价算法，得到清晰度最高的清晰网格图像，从而根据高清晰度的清晰网格图像，得到更加精确的图像识别结果。
如图6所示，在本发明的一个实施例中，图5所对应的实施例中的同一坐标清晰网格图像获取单元1230还包括用于执行图3所对应的实施例中的方法步骤的结构，其包括：
第一灰度图像获取子单元1231，用于将同一坐标对应的各层有效网格图像分别转换为第一灰度图像；
第二灰度图像获取子单元1232，用于按照预设规则分别缩小各个第一灰度图像，得到对应的第二灰度图像；
第三灰度图像获取子单元1233，用于对各个第二灰度图像分别进行边缘扩充，得到对应的第三灰度图像，第三灰度图像包括非扩充区域和扩充区域；
总锐度值计算子单元1234，用于根据各个第三灰度图像非扩充区域内的像素点的灰度值，计算各个第三灰度图像的总锐度值；
同一坐标清晰网格图像获取子单元1235，用于选取总锐度值最大的第三灰度图像的层号作为最优层号，并将第一有效网格图像作为同一坐标的清晰网格图像；第一有效网格图像为同一坐标的各层有效网格图像中最优层号对应的有效网格图像。
从上述实施例可知，通过计算图像锐度值的方法识别清晰度最高的有效网格图像，计算简单，能够快速精确的识别出清晰度最高的清晰网格图像。
在本发明的一个实施例中，图5中有效活动区域获取单元1210还包括：
第一掩码图像生成子单元，用于对随机选取的原始图像进行二值化处理，生成第一掩码图像；第一掩码图像包括前景和背景。
封闭腺腔掩码图像获取子单元，用于将第一掩码图像的前景中面积最大的连通域置为背景，得到封闭腺腔掩码图像。
轮廓线掩码图像获取子单元，用于根据第一掩码图像及图像形态学方法，得到轮廓线掩码图像。
第二掩码图像获取子单元，用于将封闭腺腔掩码图像和轮廓线掩码图像进行合并，生成第二掩码图像。
有效活动区域获取子单元，用于根据第二掩码图像确定有效活动区域。
从上述实施例可知，本实施例通过图像形态学方法实现了对有效活动区域的识别，既提高了有效活动区域识别的准确性又提高了有效活动区域的识别效率。
在本发明的一个实施例中，图4中图像识别结果获取模块还包括：
第一概率值计算单元，用于将预设数量的清晰网格图像输入神经网络模型，得到各个清晰网格图像的第一概率值，第一概率值为清晰网格图像包含目标细菌的概率值；
图像识别结果单元，用于根据各个清晰网格图像的第一概率值，将各个清晰网格图像按照预设概率阈值分类，得到图像识别结果，图像识别结果包括阳性图像和阴性图像。
从上述实施例可知，通过神经网络模型识别清晰网格图像的分类结果，提高了图像识别结果的准确性。
在一个实施例中，目标细菌的检测装置1000还包括其他功能模块/单元，用于实现实施例1中各实施例中的方法步骤。
实施例3：
本发明实施例还提供了一种终端设备8，包括存储器81、处理器80以及存储在存储器81中并可在处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器80执行所述计算机程序82时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块110至140的功能。
所述终端设备8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。所述终端设备8可包括，但不仅限于，处理器80、存储器81。例如所述终端设备8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80可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，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80等。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序82以及所述终端设备8所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序82，计算机程序82被处理器80执行时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述计算机程序82被处理器80执行时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块110至140的功能。
所述的计算机程序82可存储于一计算机可读存储介质中，该计算机程序82在被处理器80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82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是电载波信号和电信信号。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种目标细菌的检测方法，其特征在于，包括：
获取待检测细菌切片的原始图像；
识别所述原始图像中目标细菌的有效活动区域，并根据所述有效活动区域得到预设数量的清晰网格图像；
将所述预设数量的清晰网格图像输入神经网络模型，得到图像识别结果；
根据所述图像识别结果，确定所述原始图像中目标细菌的位置信息。
2.如权利要求1所述的一种目标细菌的检测方法，其特征在于，所述获取待检测细菌切片的原始图像，包括：
获取对所述待检测细菌切片进行多层扫描后的多层原始图像；
或者获取所述待检测细菌切片的融合原始图像；所述融合原始图像为将待检测细菌切片的多层原始图像进行融合得到的图像。
3.如权利要求1所述的一种目标细菌的检测方法，其特征在于，所述原始图像包括多层原始图像，每层原始图像对应一个层号；
所述识别所述原始图像中目标细菌的有效活动区域，并根据所述有效活动区域得到预设数量的清晰网格图像，包括：
随机选取一层原始图像，并识别选取的原始图像中目标细菌的有效活动区域；
基于所述有效活动区域，对各层原始图像进行重叠网格切割，得到预设第一数量的有效网格图像，并获取各个有效网格图像的坐标；
根据清晰度评价算法，选取同一坐标下各层有效网格图像中清晰度最高的有效网格图像，作为同一坐标的清晰网格图像；
依次选取各个坐标的清晰网格图像，得到预设数量的清晰网格图像。
4.如权利要求3所述的一种目标细菌的检测方法，其特征在于，所述根据清晰度评价算法，选取同一坐标下各层有效网格图像中清晰度最高的有效网格图像，作为同一坐标的清晰网格图像，包括：
将同一坐标对应的各层有效网格图像分别转换为第一灰度图像；
按照预设规则分别缩小各个第一灰度图像，得到对应的第二灰度图像；
对各个第二灰度图像分别进行边缘扩充，得到对应的第三灰度图像，所述第三灰度图像包括非扩充区域和扩充区域；
根据各个第三灰度图像非扩充区域内的像素点的灰度值，计算各个第三灰度图像的总锐度值；
选取总锐度值最大的第三灰度图像的层号作为最优层号，并将第一有效网格图像作为同一坐标的清晰网格图像；所述第一有效网格图像为同一坐标的各层有效网格图像中所述最优层号对应的有效网格图像。
5.如权利要求3所述的一种目标细菌的检测方法，其特征在于，所述随机选取一层原始图像，并识别选取的原始图像中目标细菌的有效活动区域，包括：
对随机选取的原始图像进行二值化处理，生成第一掩码图像；所述第一掩码图像包括前景和背景；
将所述第一掩码图像的前景中面积最大的连通域置为背景，得到所述封闭腺腔掩码图像；
根据所述第一掩码图像及图像形态学方法，得到轮廓线掩码图像；
将所述封闭腺腔掩码图像和所述轮廓线掩码图像进行合并，生成第二掩码图像；
根据所述第二掩码图像确定所述有效活动区域。
6.如权利要求5所述的一种目标细菌的检测方法，其特征在于，所述对随机选取的原始图像进行二值化处理，生成第一掩码图像，包括：
获取随机选取的原始图像；
按照预设倍数对所述随机选取的原始图像进行缩放，得到所述原始图像的缩略图；
将所述缩略图的颜色空间从RGB颜色空间转换为YUV颜色空间，并获取YUV颜色空间中的U通道图像；
根据最大类间方差方法，对所述U通道图像进行二值化处理，得到所述第三掩码图像；
对所述第三掩码图像进行取反处理，得到第一掩码图像。
7.如权利要求5所述的一种目标细菌的检测方法，其特征在于，所述根据所述第一掩码图像及图像形态学方法，得到轮廓线掩码图像，包括：
对所述第一掩码图像的掩码进行取反处理；
将经过取反处理的第一掩码图像中前景内的所有封闭的背景设置为前景，得到第四掩码图像；
对所述第四掩码图像按照预设像素点个数进行连通操作，得到第五掩码图像；
将所述第五掩码图像中连通域面积小于第二预设阈值的前景设置为背景，得到第六掩码图像；
根据形态学膨胀方法扩大所述第六掩码图像中前景的像素点数量，得到第七掩码图像；
获取所述第七掩码图像中前景和所述第五掩码图像中前景的掩码交集，将所述第七掩码图像中所述掩码交集的区域置为背景，得到所述轮廓线掩码图像。
8.如权利要求1所述的一种目标细菌的检测方法，其特征在于，所述原始图像包括多层原始图像；
所述将所述预设数量的清晰网格图像输入神经网络模型，得到图像识别结果，包括：
将所述预设数量的清晰网格图像输入神经网络模型，得到各个清晰网格图像的第一概率值，所述第一概率值为清晰网格图像包含目标细菌的概率值；
根据各个清晰网格图像的第一概率值，将各个清晰网格图像按照预设概率阈值分类，得到所述图像识别结果，所述图像识别结果包括阳性图像和阴性图像。
9.一种终端设备，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8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8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810424569.9A CN108830149B (zh) | 2018-05-07 | 2018-05-07 | 一种目标细菌的检测方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810424569.9A CN108830149B (zh) | 2018-05-07 | 2018-05-07 | 一种目标细菌的检测方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830149A true CN108830149A (zh) | 2018-11-16 |
| CN108830149B CN108830149B (zh) | 2021-03-16 |
Family
ID=64147520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810424569.9A Active CN108830149B (zh) | 2018-05-07 | 2018-05-07 | 一种目标细菌的检测方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830149B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886928A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技（深圳）有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
| CN111292333A (zh) * | 2018-12-07 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 用于分割图像的方法和装置 |
| CN112070887A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学 | 一种基于深度学习的全切片数字成像景深扩展法 |
| CN112233127A (zh) * | 2020-10-15 | 2021-01-15 | 上海圭目机器人有限公司 | 一种用于弯道拼接图像的下采样方法 |
| CN112966645A (zh) * | 2021-03-24 | 2021-06-15 | 山东仕达思生物产业有限公司 | 一种妇科微生态中多种类型杆菌的智能检测和分类计数方法 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN114678121A (zh) * | 2022-05-30 | 2022-06-28 | 上海芯超生物科技有限公司 | 一种hp球形变诊断模型及其构建方法 |
| RU2791813C1 (ru) * | 2022-05-03 | 2023-03-13 | Курочкин Евгений Владимирович | Система и способ обнаружения и классификации колоний микроорганизмов на изображениях на основе технологий искусственного интеллекта и компьютерного зрения |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103789203A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 细菌自动识别装置和方法、自动检测设备、尿液分析仪 |
| CN103865786A (zh) * | 2014-03-27 | 2014-06-18 | 程涛 | 细菌检测方法及系统 |
| CN106033540A (zh) * | 2016-05-27 | 2016-10-19 | 北京大学第医院 | 一种阴道微生态形态学自动分析方法和系统 |
| 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 |
-
2018
- 2018-05-07 CN CN201810424569.9A patent/CN108830149B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103789203A (zh) * | 2012-10-26 | 2014-05-14 | 西门子医疗保健诊断公司 | 细菌自动识别装置和方法、自动检测设备、尿液分析仪 |
| CN103865786A (zh) * | 2014-03-27 | 2014-06-18 | 程涛 | 细菌检测方法及系统 |
| CN106033540A (zh) * | 2016-05-27 | 2016-10-19 | 北京大学第医院 | 一种阴道微生态形态学自动分析方法和系统 |
| 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 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292333A (zh) * | 2018-12-07 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 用于分割图像的方法和装置 |
| CN111292333B (zh) * | 2018-12-07 | 2024-05-17 | 北京京东尚科信息技术有限公司 | 用于分割图像的方法和装置 |
| CN109886928B (zh) * | 2019-01-24 | 2023-07-14 | 平安科技（深圳）有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
| WO2020151340A1 (zh) * | 2019-01-24 | 2020-07-30 | 平安科技（深圳）有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
| CN109886928A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技（深圳）有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
| US20210209328A1 (en) * | 2019-01-24 | 2021-07-08 | Ping An Technology(Shenzhen)Co., Ltd. | Method and device for marking target cells, storage medium and terminal device |
| US11929048B2 (en) * | 2019-01-24 | 2024-03-12 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for marking target cells, storage medium and terminal device |
| JP2021532459A (ja) * | 2019-01-24 | 2021-11-25 | 平安科技(深▲せん▼)有限公司Ping An Technology (Shenzhen) Co., Ltd. | 標的細胞標識方法、装置、記憶媒体及び端末デバイス |
| JP7000627B2 (ja) | 2019-01-24 | 2022-01-19 | 平安科技（深▲せん▼）有限公司 | 標的細胞標識方法、装置、記憶媒体及び端末デバイス |
| CN112070887A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学 | 一种基于深度学习的全切片数字成像景深扩展法 |
| CN112233127A (zh) * | 2020-10-15 | 2021-01-15 | 上海圭目机器人有限公司 | 一种用于弯道拼接图像的下采样方法 |
| CN112966645B (zh) * | 2021-03-24 | 2022-04-08 | 山东仕达思生物产业有限公司 | 一种妇科微生态中多种类型杆菌的智能检测和分类计数方法 |
| CN112966645A (zh) * | 2021-03-24 | 2021-06-15 | 山东仕达思生物产业有限公司 | 一种妇科微生态中多种类型杆菌的智能检测和分类计数方法 |
| CN113111796B (zh) * | 2021-04-19 | 2022-06-24 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| RU2791813C1 (ru) * | 2022-05-03 | 2023-03-13 | Курочкин Евгений Владимирович | Система и способ обнаружения и классификации колоний микроорганизмов на изображениях на основе технологий искусственного интеллекта и компьютерного зрения |
| CN114678121A (zh) * | 2022-05-30 | 2022-06-28 | 上海芯超生物科技有限公司 | 一种hp球形变诊断模型及其构建方法 |
| CN114678121B (zh) * | 2022-05-30 | 2022-09-09 | 上海芯超生物科技有限公司 | 一种hp球形变诊断模型的构建方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830149B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830149A (zh) | 一种目标细菌的检测方法及终端设备 | |
| CN111402268B (zh) | 一种医学图像中肝脏及其病灶分割的方法 | |
| CN112036335B (zh) | 一种反卷积引导的半监督植物叶部病害识别与分割方法 | |
| CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN106780460B (zh) | 一种用于胸部ct影像的肺结节自动检测系统 | |
| US11436718B2 (en) | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm | |
| CN111951221B (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
| CN108447062A (zh) | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 | |
| US11954593B2 (en) | Method to determine a degree of abnormality, a respective computer readable medium and a distributed cancer analysis system | |
| CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
| CN110838100A (zh) | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 | |
| JP2013111420A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN107274406A (zh) | 一种检测敏感区域的方法及装置 | |
| Raza et al. | Deconvolving convolutional neural network for cell detection | |
| Apou et al. | Detection of lobular structures in normal breast tissue | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| CN110974179A (zh) | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 | |
| Snigdha et al. | Hybrid feature-based invasive ductal carcinoma classification in breast histopathology images | |
| CN112270667A (zh) | 一种基于ti-rads的集成深度学习多标签识别方法 | |
| JP2024027078A (ja) | マルチスケールに基づく全スライド病理特徴融合抽出方法、システム、電子機器及び記憶媒体 | |
| Yamuna Devi et al. | Efficient segmentation and classification of the lung carcinoma via deep learning | |
| CN113129281A (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
| CN110084796B (zh) | 一种复杂纹理ct图像的分析方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Chao Inventor after: Che Shuanlong Inventor after: Chen Longsen Inventor after: Luo Pifu Inventor before: Li Chao Inventor before: Chen Longsen Inventor before: Luo Pifu Inventor before: Che Shuanlong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |