CN109190590A - 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 - Google Patents
一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109190590A CN109190590A CN201811096411.XA CN201811096411A CN109190590A CN 109190590 A CN109190590 A CN 109190590A CN 201811096411 A CN201811096411 A CN 201811096411A CN 109190590 A CN109190590 A CN 109190590A
- Authority
- CN
- China
- Prior art keywords
- image
- crystallization
- sample
- crystal
- single crystal
- 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
- 238000002425 crystallisation Methods 0.000 title claims abstract description 97
- 230000008025 crystallization Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013078 crystal Substances 0.000 claims abstract description 163
- 238000012706 support-vector machine Methods 0.000 claims abstract description 50
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 210000002700 urine Anatomy 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000013049 sediment Substances 0.000 claims description 47
- 230000002485 urinary effect Effects 0.000 claims description 47
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 17
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 16
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 229940116269 uric acid Drugs 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- QXDMQSPYEZFLGF-UHFFFAOYSA-L calcium oxalate Chemical compound [Ca+2].[O-]C(=O)C([O-])=O QXDMQSPYEZFLGF-UHFFFAOYSA-L 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 12
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000000913 Kidney Calculi Diseases 0.000 description 1
- 206010029148 Nephrolithiasis Diseases 0.000 description 1
- 206010038419 Renal colic Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010013990 dysuria Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种尿沉渣结晶识别方法、装置、计算机设备及存储介质,方法包括:获取尿样本的400X显微图像,进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;对单结晶样本子图像的结晶类别进行标注,从同结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成支持向量机分类器;将提取的待识别结晶区域图像HOG特征输入至支持向量机分类器中进行结晶类别识别,并自动进行统计计数。本发明可以自动对尿沉渣结晶进行识别,提高了结晶判断的准确性,与现有技术相比,具有速度快,精度高、鲁棒性强的优点。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种尿沉渣结晶识别方法、装置、计算机设备及存储介质。
背景技术
尿沉渣有形成分定量分析是临床常规检验工作中的重要项目之一。而结晶作为尿沉渣有形成分中的一个类别,也具有十分重要的临床意义。
传统的尿沉渣有形成分定量分析是利用人工镜检的方法,存在劳动强度大,效率低的缺点。虽然目前技术中存在全自动尿沉渣分析仪利用自动化技术和智能识别技术,能够对尿液中的有形成分进行自动分析识别,极大提高了医院检验科的效率。所检测的类别主要有:红细胞、白细胞、上皮细胞、管型、结晶等。但是目前全自动尿沉渣分析仪仅对前四项检测精度较高,但对结晶的检测精度相对较低,无法实现对结晶进行准确的识别。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种尿沉渣结晶识别方法、装置、计算机设备及存储介质,旨在解决现有技术中的全自动尿沉渣分析无法对结晶进行准确识别等问题。
本发明解决技术问题所采用的技术方案如下:
一种尿沉渣结晶识别方法,其中,所述方法包括:
获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单单结晶样本子图像;
对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
将提取的待识别结晶区域图像的HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
所述的尿沉渣结晶识别方法,其中,所述获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像的步骤,具体包括:
自动拍摄尿样本的400X显微图像,并采用高斯滤波算法对400X显微图像中G通道进行增强处理;
使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割;
提取出包含结晶BLOB的外接矩形区域,并将单独的结晶区域保存为独立的单结晶样本子图像。
所述的尿沉渣结晶识别方法,其中,所述使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割的步骤,具体包括:
使用Sobel3*3边缘检测梯度算法对400X显微图像中经高斯滤波增强后的G通道图像求取梯度图像;
根据结晶区域图像像素的梯度直方图分布特点,计算梯度图像的平均梯度值;
使用预先设定的灰度阈值对梯度图像进行二值化分割,并结合形态学处理算法分离出前景图像和背景图像。
所述的尿沉渣结晶识别方法,其中,所述提取出包含结晶BLOB的外接矩形区域,并将单独的结晶区域保存为独立的单结晶样本子图像的步骤,具体包括:
对分离出来的前景图像进行标签化处理,遍历所述前景图像中的所有BLOB区域;
根据草酸钙结晶、卵型尿酸结晶、哑铃型尿酸结晶三类结晶本身固有的形态特征,删除前景图像中不符合结晶特征范围内的BLOB区域,获得候选BLOB区域;
遍历所有候选BLOB区域的轮廓,计算每个轮廓的水平外接矩形,得到各个候选BLOB区域的边界,并将边界的位置信息一一映射到原始的400X显微图像中,剪切出一个个单结晶样本子图像。
所述的尿沉渣结晶识别方法,其中,所述对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器的步骤,具体包括:
对采集到的单结晶样本子图像的结晶类别进行标注,形成样本数据库;
在所述样本数据库中,先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG特征进行提取,并将所提取到的各个结晶类别的HOG特征汇总形成SVM样本特征集;
对所述SVM样本特征集进行训练及参数优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器。
所述的尿沉渣结晶识别方法,其中,所述先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG特征进行提取的步骤,具体包括:
计算结晶区域图像的梯度,捕获轮廓信息,并弱化光照的干扰;
将结晶区域图像划分成若干个8x8像素的cells;
统计每个cell的梯度直方图,把梯度方向平均划分为9个bin区间,在每个单元对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量;
每相邻的2x2个单元构成一个块block,把一个块内的特征向量串联起来得到一个36维的特征向量;
用块对单结晶样本子图像进行扫描,扫描步长为一个cell;
将所有块的特征向量串联起来,得到该结晶类别的HOG特征。
所述的尿沉渣结晶识别方法,其中,所述结晶类别包括: 草酸钙结晶类别、卵型尿酸结晶类别、哑铃型尿酸结晶类别以及其他类别。
一种尿沉渣结晶识别装置,其中,所述装置包括:
图像预处理与分割模块,用于获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单单结晶样本子图像;
HOG特征提取模块,用于对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
结晶类别识别模块,用于将提取的待识别结晶区域图像的HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:本发明通过提取不同结晶类别的HOG特征,并构成SVM样本特征集,从而建立一个包含各个结晶类别与相应图像像素特征的支持向量机分类器,使用该支持向量机分类器可以对尿沉渣中的结晶进行准确识别,与现有技术相比,具有速度快,精度高、鲁棒性强的优点。
附图说明
图1是本发明的尿沉渣结晶识别方法的一个较佳实施例的流程图。
图2是本发明的尿沉渣结晶识别方法的算法流程图。
图3是本发明的尿沉渣结晶识别装置的一个较佳实施例的结构框图。
图4是本发明的计算机设备的一个较佳实施例的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的尿沉渣结晶识别方法,可以应用于终端中。其中,终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中,终端的处理器可以为中央处理器(Central Processing Unit,CPU),图形处理器(Graphics Processing Unit,GPU)、视频处理单元(Video ProcessingUnit,VPU)等中的至少一种。
由于现有技术中的全自动尿沉渣分析无法对结晶进行准确识别等问题,而在临床中,不同类别的结晶往往具有不同的病理意义,准确细致的区分各类结晶,可以有效地降低尿液结晶对患者造成的风险,因此本发明提供一种尿沉渣结晶识别方法,具体如图1所示,所述方法包括:
步骤S100、获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像。
具体实施时,本发明主要是对尿沉渣中的草酸钙结晶、卵型尿酸结晶、哑铃型尿酸结晶的这三类结晶进行提取,因为尿液中如果大量出现这三类结晶,很大程度上说明患有某种疾病。例如,如果尿液中含有大量草酸钙结晶,同时伴有尿路刺激症状,如尿痛、尿急或肾绞痛、血尿,则有可能患有肾结石。具体地,首先使用医学成像仪器自动获取尿样本的400X显微图像,由于在获取图像的过程中,各种不确定因素会存在一定程度的散焦,导致图像模糊清晰度不一致,整体对比度偏低,400X显微图像中结晶的表现形态也会不同,所以本实施例中需要对400X显微图像进行预处理,增强图像质量,提高对比度,降低图像噪声。
优选地,在本实施例中,400X显微图像为尿沉渣彩色图像,因此可采用高斯滤波算
法对400X显微图像中G通道进行增强处理,滤波参数设置为。通过对图像进行预处
理,提高了对比度,保证了样本的多样性和均衡性,有利于提高后续步骤中对图像进行分割
时的精度。
在进行预处理之后,本实施例中需要使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割,目的是提取出包含结晶BLOB的外接矩形区域,并将单独结晶区域保存为一个个独立的单结晶样本子图像。具体地,由于系统自动采集的400X图像存在一定程度的散焦,整体对比度偏低,比较适合边缘检测算法,因此本实施例中使用Sobel 3*3边缘检测梯度算法对400X显微图像中经高斯滤波增强后的G通道图像求取梯度图像;然后根据结晶区域图像像素的梯度直方图分布特点,计算梯度图像的平均梯度值,记为mean_gra。再使用预先设定的灰度阈值threshold对梯度图像进行二值化分割,并结合形态学处理算法分离出前景图像和背景图像。优选地,本实施例中灰度阈值threshold=mean_gra*factor,其中factor为经验值,factor=1.8。本实施例在图像的分割处理步骤上采用了简洁高效的Sobel边缘检测分割法,鲁棒性强,速度快,漏分割率低,有利于从复杂的尿沉渣中提取出想要的结晶类别。
进一步地,本实施例在提取包含结晶BLOB的外接矩形区域的步骤中,具体包括:对分离出来的前景图像进行标签化处理,遍历所述前景图像中的所有BLOB区域,并计算对应面积、圆形度、最小外界矩形宽高比等参数。根据草酸钙结晶、卵型尿酸结晶、哑铃型尿酸结晶三类结晶本身固有的形态特征,删除前景图像中不符合结晶特征范围内的BLOB区域,获得候选BLOB区域;遍历所有候选BLOB区域的轮廓,计算每个轮廓的水平外接矩形,得到各个候选BLOB区域的边界minx、miny、maxx、maxy,并将边界的位置信息一一映射到原始的400X显微图像中,剪切出一个个单结晶样本子图像。
值得说明的是,不同尿液标本中同一种结晶的表现形态会存在一定差异,所以实际采集的400X显微图像数量要足够多,以便尽可能多的包含正常尿液和各种异常尿液的图像,从而反复验证增强算法的鲁棒性。
进一步地,步骤S200、对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器。
具体实施时,首先对采集到的单结晶样本子图像的结晶类别进行标注,形成样本数据库。本实施例中,采用“人工金标准”,让专家在标注界面中将所采集的已分割单个结晶样本子图像的结晶类别予以标注。然后在所述样本数据库中,先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG(Histogram of Oriented Gradient, HOG)特征进行提取,并将所提取到的各个结晶类别的HOG特征汇总形成SVM(Support VectorMachine,支持向量机)样本特征集。
HOG特征特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。在提取HOG特征时,需要将所有结晶类别的单结晶样本子图像均归一化为80*80大小的图像。具体地,HOG特征提取的步骤具体包括:1)计算结晶区域图像的梯度,捕获轮廓信息,并弱化光照的干扰;2)将结晶区域图像划分成若干个8x8像素的cells;3)统计每个cell的梯度直方图,把梯度方向平均划分为9个bin区间,在每个单元对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量;4)每相邻的2x2个单元构成一个块block,把一个块内的特征向量串联起来得到一个36维的特征向量;5)用块对单结晶样本子图像进行扫描,扫描步长为一个cell;6)将所有块的特征向量串联起来,得到该结晶类别的HOG特征。在实施例中,每一个cell大小为8x8像素,因此80x80的图像可得到10x10个cell。将上下左右相邻的2x2个cell作为单独的一个block,10x10个cell即可划分为9x9个block,串联单结晶样本子图像中所有block的特征向量,就可形成9x9x36=2916维数的特征向量,这个特征向量即可表征整个单结晶样本子图像。
当提取了所有结晶类别的HOG特征后,将其汇总形成SVM样本特征集。然后对所述SVM样本特征集进行训练及参数优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器。
进一步地,步骤S300、将提取的待识别结晶区域图像的HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
具体地,在构建支持向量机之后,对从上述步骤100中提取的分割出的单结晶样本子图像中的待识别结晶区域进行HOG特征提取,然后输入至支持向量机分类器中进行结晶类别的识别,并在进行识别的同时还进行计数,从而判断尿沉渣中所含结晶是哪一种,且含量为多少。本实施例中的支持向量机分类器可识别出的结晶类别包括:草酸钙结晶类别、卵型尿酸结晶类别、哑铃型尿酸结晶类别以及其他类别。
本发明利用HOG特征结合支持向量机分类器对尿沉渣中的结晶进行识别,简单高效,HOG特征的提取是在图像的局部方格单元上进行操作,对图像几何和光学的形变能保持很好的不变性。此外,在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,只要结晶的表现形态变化不会过大,都不影响检测效果,检测精度、速度也显著提高。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述实施例,本发明提供所述尿沉渣结晶识别的算法流程图。如图2中所示。
从图2中可以看出,本实施例中,首先是对尿沉渣的400X显微的G通道图像进行预处理,然后对结晶区域进行分割。然后再进行人工筛选标注,形成样本数据库。从样本数据库进行HOG特征提取,形成SVM(支持向量机)分类器。然后再将结晶区域分割中所得到的待识别区域中进行HOG特征提取,并输入至SVM分类器中,确定尿沉渣中的结晶类别,结晶类别包括:草酸钙结晶、卵型尿酸结晶、哑铃型尿酸结晶以及其他类别。
进一步地,本发明还提供一种尿沉渣结晶识别装置,如图3中所示,包括:图像预处理与分割模块310、HOG特征提取模块320以及结晶类别识别模块330。其中,
图像预处理与分割模块310,用于获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;
HOG特征提取模块320,用于对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
结晶类别识别模块330,用于将提取的待识别结晶区域图像像素HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
在其中的一个实施例中,图像预处理与分割模块310包括:
增强处理单元,用于自动拍摄尿样本的400X显微图像,并采用高斯滤波算法对400X显微图像中G通道进行增强处理;
分割单元,用于使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割;
结晶图像提取,用于提取出包含结晶BLOB的外接矩形区域,并将单独的结晶区域保存为独立的单结晶样本子图像。
在其中的一个实施例中,HOG特征提取模块320包括:
标注单元,用于对采集到的单结晶样本子图像的结晶类别进行标注,形成样本数据库;
特征提取单元,用于在所述样本数据库中,先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG特征进行提取,并将所提取到的各个结晶类别的HOG特征汇总形成SVM样本特征集;
分类器构造单元,用于对所述SVM样本特征集进行训练及参数优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器。
关于尿沉渣结晶识别装置具体限定可以参见上文中对于尿沉渣结晶识别方法的限定,在此不再赘述。上述尿沉渣结晶识别装置的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
进一步地,本发明还提供一种计算机设备,该计算机设备可以是终端,其原理框图可以如图4中所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种尿沉渣结晶识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的温度传感器是预先在计算机设备内部设置,用于检测内部设备的当前运行温度。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;
对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
将提取的待识别结晶区域图像像素HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
在一个实施例中,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;
对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
将提取的待识别结晶区域图像像素HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
应当理解的是,本申请的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本申请所附权利要求的保护范围。
Claims (10)
1.一种尿沉渣结晶识别方法,其特征在于,所述方法包括:
获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;
对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
将提取的待识别结晶区域图像的HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
2.根据权利要求1所述的尿沉渣结晶识别方法,其特征在于,所述获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像的步骤,具体包括:
自动拍摄尿样本的400X显微图像,并采用高斯滤波算法对400X显微图像中G通道进行增强处理;
使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割;
提取出包含结晶BLOB的外接矩形区域,并将单独的结晶区域保存为独立的单结晶样本子图像。
3.根据权利要求2所述的尿沉渣结晶识别方法,其特征在于,所述使用Sobel边缘检测法结合形态学算法对经过增强处理的400X显微图像进行分割的步骤,具体包括:
使用Sobel3*3边缘检测梯度算法对400X显微图像中经高斯滤波增强后的G通道图像求取梯度图像;
根据结晶区域图像像素的梯度直方图分布特点,计算梯度图像的平均梯度值;
使用预先设定的灰度阈值对梯度图像进行二值化分割,并结合形态学处理算法分离出前景图像和背景图像。
4.根据权利要求2所述的尿沉渣结晶识别方法,其特征在于,所述提取出包含结晶BLOB的外接矩形区域,并将单独的结晶区域保存为独立的单结晶样本子图像的步骤,具体包括:
对分离出来的前景图像进行标签化处理,遍历所述前景图像中的所有BLOB区域;
根据草酸钙结晶、卵型尿酸结晶、哑铃型尿酸结晶三类结晶本身固有的形态特征,删除前景图像中不符合结晶特征范围内的BLOB区域,获得候选BLOB区域;
遍历所有候选BLOB区域的轮廓,计算每个轮廓的水平外接矩形,得到各个候选BLOB区域的边界,并将边界的位置信息一一映射到原始的400X显微图像中,剪切出一个个单结晶样本子图像。
5.根据权利要求1所述的尿沉渣结晶识别方法,其特征在于,所述对所述单结晶样本子图像的结晶类别进行标注,分别从各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器的步骤,具体包括:
对采集到的单结晶样本子图像的结晶类别进行标注,形成样本数据库;
在所述样本数据库中,先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG特征进行提取,并将所提取到的各个结晶类别的HOG特征汇总形成SVM样本特征集;
对所述SVM样本特征集进行训练及参数优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器。
6.根据权利要求5所述的尿沉渣结晶识别方法,其特征在于,所述先分别从同一结晶类别的单结晶样本子图像的结晶区域图像像素中的HOG特征进行提取的步骤,具体包括:
计算结晶区域图像的梯度,捕获轮廓信息,并弱化光照的干扰;
将结晶区域图像划分成若干个8x8像素的cells;
统计每个cell的梯度直方图,把梯度方向平均划分为9个bin区间,在每个单元对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量;
每相邻的2x2个单元构成一个块block,把一个块内的特征向量串联起来得到一个36维的特征向量;
用块对单结晶样本子图像进行扫描,扫描步长为一个cell;
将所有块的特征向量串联起来,得到该结晶类别的HOG特征。
7.根据权利要求5所述的尿沉渣结晶识别方法,其特征在于,所述结晶类别包括: 草酸钙结晶类别、卵型尿酸结晶类别、哑铃型尿酸结晶类别以及其他类别。
8.一种尿沉渣结晶识别装置,其特征在于,所述装置包括:
图像预处理与分割模块,用于获取尿样本的400X显微图像,对所述400X显微图像进行预处理,并利用边缘检测法结合形态学算法将经预处理后的400X显微图像分割成单结晶样本子图像;
HOG特征提取模块,用于对所述单结晶样本子图像的结晶类别进行标注,分别各个结晶类别的单结晶样本子图像的结晶区域图像像素中提取HOG特征,构建SVM样本特征集,并经训练与优化,形成包含各个结晶类别与相应图像像素HOG特征的支持向量机分类器;
结晶类别识别模块,用于将提取的待识别结晶区域图像的HOG特征输入至所述支持向量机分类器中进行结晶类别识别,并自动进行统计计数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811096411.XA CN109190590A (zh) | 2018-09-19 | 2018-09-19 | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811096411.XA CN109190590A (zh) | 2018-09-19 | 2018-09-19 | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190590A true CN109190590A (zh) | 2019-01-11 |
Family
ID=64908768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811096411.XA Pending CN109190590A (zh) | 2018-09-19 | 2018-09-19 | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190590A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717465A (zh) * | 2019-10-15 | 2020-01-21 | 周兴祥 | 一种基于草酸钙结晶的识别方法及系统 |
CN111860529A (zh) * | 2020-07-29 | 2020-10-30 | 山东超越数控电子股份有限公司 | 一种图像的预处理方法、系统、设备以及介质 |
CN112330586A (zh) * | 2019-08-02 | 2021-02-05 | 苏州迈瑞科技有限公司 | 一种尿液分析仪诊断提速方法、尿液分析仪及计算机可读存储介质 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20120027263A1 (en) * | 2010-08-02 | 2012-02-02 | Sony Corporation | Hand gesture detection |
CN102760053A (zh) * | 2012-06-20 | 2012-10-31 | 东南大学 | 基于cuda并行计算及wcf架构的人体检测方法 |
CN102902983A (zh) * | 2012-09-21 | 2013-01-30 | 博康智能网络科技股份有限公司 | 一种基于支持向量机的出租车识别方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
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
- 2018-09-19 CN CN201811096411.XA patent/CN109190590A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20120027263A1 (en) * | 2010-08-02 | 2012-02-02 | Sony Corporation | Hand gesture detection |
CN102760053A (zh) * | 2012-06-20 | 2012-10-31 | 东南大学 | 基于cuda并行计算及wcf架构的人体检测方法 |
CN102902983A (zh) * | 2012-09-21 | 2013-01-30 | 博康智能网络科技股份有限公司 | 一种基于支持向量机的出租车识别方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
VICENZO ABICHEQUER 等: "AN AUTOMATIC METHOD FOR IDENTIFICATION OF CYSTINE CRYSTALS IN URINE SEDIMENT", 《SAC’17:PROCEEDINGS OF THE SYMPOSIUM ON APPLIED COMPUTING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330586A (zh) * | 2019-08-02 | 2021-02-05 | 苏州迈瑞科技有限公司 | 一种尿液分析仪诊断提速方法、尿液分析仪及计算机可读存储介质 |
CN110717465A (zh) * | 2019-10-15 | 2020-01-21 | 周兴祥 | 一种基于草酸钙结晶的识别方法及系统 |
CN111860529A (zh) * | 2020-07-29 | 2020-10-30 | 山东超越数控电子股份有限公司 | 一种图像的预处理方法、系统、设备以及介质 |
CN112967262A (zh) * | 2021-03-18 | 2021-06-15 | 深圳市美侨医疗科技有限公司 | 一种基于形态学分割和深度学习的尿沉渣管型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
El-kenawy et al. | Automatic identification from noisy microscopic images | |
CN109190590A (zh) | 一种尿沉渣结晶识别方法、装置、计算机设备及存储介质 | |
JP5413408B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
Wan et al. | Robust nuclei segmentation in histopathology using ASPPU-Net and boundary refinement | |
US10176579B2 (en) | Tissue object-based machine learning system for automated scoring of digital whole slides | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
CN110765855A (zh) | 一种病理图像处理方法及系统 | |
CN113160175B (zh) | 一种基于级联网络的肿瘤淋巴管浸润检测方法 | |
CN113962975B (zh) | 基于梯度信息对病理玻片数字图像进行质量评估的系统 | |
CN114945941A (zh) | 用于支持肿瘤检测和分析的非肿瘤分割 | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及系统 | |
CN113393443A (zh) | 一种he病理图像细胞核分割方法及系统 | |
Mahanta et al. | Cervix cancer diagnosis from pap smear images using structure based segmentation and shape analysis | |
JP4864709B2 (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
CN114549603A (zh) | 细胞病理图像的标注坐标转换方法、系统、设备及介质 | |
CN113409255A (zh) | 一种基于Mask R-CNN的斑马鱼形态学分类方法 | |
CN108596262A (zh) | 一种基于计算机视觉进行植物病斑分类的方法及系统 | |
Sigdel et al. | Automatic classification of protein crystal images | |
CN115917594A (zh) | 使用几何特征的整个载玻片注释转移 | |
El-Shenawy | Automatic detection and identification of cells in digital images of day 2 IVF embryos | |
CN111583275A (zh) | 一种切片病理号的识别方法、系统、装置和存储介质 | |
JP5861678B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN114463745B (zh) | 目标蛋白快速识别及定量方法 | |
Blahova et al. | Blood Smear Leukocyte Identification Using an Image Segmentation Approach |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |