CN109492650B - 一种基于神经网络的ivd图像识别判定方法 - Google Patents

一种基于神经网络的ivd图像识别判定方法 Download PDF

Info

Publication number
CN109492650B
CN109492650B CN201811289576.9A CN201811289576A CN109492650B CN 109492650 B CN109492650 B CN 109492650B CN 201811289576 A CN201811289576 A CN 201811289576A CN 109492650 B CN109492650 B CN 109492650B
Authority
CN
China
Prior art keywords
image
neural network
reaction area
value
detection
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.)
Active
Application number
CN201811289576.9A
Other languages
English (en)
Other versions
CN109492650A (zh
Inventor
钱帅
陈国治
覃冰
姚恺龄
尹飞祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
EASE-MEDTREND BIOTECH (SHANGHAI) Ltd
Guangzhou Yiqun Information Technology Co ltd
Original Assignee
EASE-MEDTREND BIOTECH (SHANGHAI) Ltd
Guangzhou Yiqun Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by EASE-MEDTREND BIOTECH (SHANGHAI) Ltd, Guangzhou Yiqun Information Technology Co ltd filed Critical EASE-MEDTREND BIOTECH (SHANGHAI) Ltd
Priority to CN201811289576.9A priority Critical patent/CN109492650B/zh
Publication of CN109492650A publication Critical patent/CN109492650A/zh
Application granted granted Critical
Publication of CN109492650B publication Critical patent/CN109492650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经网络的IVD图像识别判定方法，其包括如下步骤：S1、获取原始图像：所述原始图像由智能终端设备拍摄所得，所述原始图像包含反应区图像和识别标签图像；S2、获取反应区图像：根据所述识别标签图像的特征划分反应区，并提取反应区图像；S3、对反应区图像进行高斯平滑处理；S4、提取反应区图像中的检测点，所述检测点为反映检测结果的像素点；S5、计算检测点的色值以及检测点对应的背景色值；S6、汇总取得的检测点的色值以及检测点对应的背景色值，将数据输入神经网络；S7、根据神经网络的算法识别结果，对所述神经网络进行外部修正、训练并更新；S8、输出结果，所述结果显示在所述智能终端设备上。

Description

一种基于神经网络的IVD图像识别判定方法
技术领域
本发明及图像处理领域，特别是涉及一种基于神经网络的IVD图像识别判定方法。
背景技术
体外诊断，即IVD(In Vitro Diagnostic)，是指在人体之外，通过对人体样本(血液、体液、组织等)进行检测而获取临床诊断信息，进而判断疾病或机体功能的产品和服务。体外诊断产品主要由诊断设备(仪器)和诊断试剂构成。体外诊断方式由于能在疾病早期做出快速准确的诊断，在临床医疗和相关医学研究领域中发挥着越来越重要作用。体外诊断领域的免疫学检测过程中，一般是由具备一定相关专业知识的医务人员执行检测流程并对检测结果做出判读。人为的肉眼判读容易导致误判，特别是当检测试剂存在明显批间差异的时候。此外，现有的对免疫结果做出判读的仪器每次都需要在设备的后台人为输入试剂的批次信息，结果的判读也仅限于设备上自带的结果分析方式，一旦分析方式有所更改则需要人为的对检测系统进行升级。同时，现有的检测设备体积大、价格昂贵、不便携带、操作流程复杂等特点使得该系统在检测过程中易受地域性和时间性的限制。
发明内容
本发明目的是要解决上述技术问题，提供一种基于神经网络的IVD图像识别判定方法，旨在通过该方法采用体外诊断产品和智能终端设备即可实现诊断，消除了地域性和时间性的限制，提高了诊断结果的准确性。
本发明解决该技术问题所采用的技术方案是：一种基于神经网络的IVD图像识别判定方法，其包括如下步骤：
S1、获取原始图像：所述原始图像由智能终端设备拍摄所得，所述原始图像包含反应区图像和识别标签图像；
S2、获取反应区图像：根据所述识别标签图像的特征划分反应区，并提取反应区图像；
S3、对反应区图像进行高斯平滑处理；
S4、提取反应区图像中的检测点，所述检测点为反映检测结果的像素点；
S5、计算检测点的色值以及检测点对应的背景色值；
S6、汇总取得的检测点的色值以及检测点对应的背景色值，将数据输入神经网络；
S7、根据神经网络的算法识别结果，对所述神经网络进行外部修正、训练并更新；
S8、输出结果，所述结果显示在所述智能终端设备上。
进一步地，所述识别标签图像位于体外诊断产品上的特定位置，所述识别标签图像为记录数据符号信息的图像。
优选地，所述识别标签图像为二维码图像。
进一步地，所述步骤S2与步骤S3之间还包括以下步骤：
S21、获取识别标签图像中亮色的像素点，其色值为第一色值；获取识别标签图像中中暗色的像素点，其色值为第二色值；
S22、去除第一色值中方差过大的值，对剩下的第一色值求平均值，该平均值为第一校准值；
S23、去除第二色值中方差过大的值，对剩下的第二色值求平均值，该平均值为第二校准值；
S24、根据所述第一校准值和所述第二校准值对所述反应区图像作光线校准处理。
进一步地，所述步骤S4中提取检测点的方法，根据反应区的特征而定，对于具有多条反应线的反应区所采用的方法，其具体步骤包括：
S401、定义反应区图像的水平方向为X轴，定义反应区图像的竖直方向为Y轴；
S402、将X轴方向的像素点去除方差过大的像素点，对剩下的像素点求平均值，得到长度为Y的像素点的集合。
进一步地，步骤S5中计算检测点的色值以及检测点对应的背景色值的具体步骤包括：
S501、计算检测点的色值：向所述检测点的两端偏移一定范围形成反应线区间，取反应线区间内最小的n个值，去除该n个值的方差过大的值后作平均值，该平均值为检测点的色值；
S502、计算检测点的背景色值：在所述反应线区间内，取区间内最大的n个值去除方差后作平均值为检测点的背景色值。
进一步地，所述步骤S5与步骤S6之间还包括以下步骤：
S51：检测是否有检测点未识别，若有，则返回步骤S4,若无，则进行下一步骤；
S52：检测是否有反应区未识别，若有，则返回步骤S2，若无，则进行下一步骤。
进一步地，所述智能终端设备为手机、平板电脑、具有数据处理功能以及摄录功能的智能可穿戴设备、计算机终端、家居智能终端中的一种。
进一步地，所述神经网络为使用500张不同光线环境、已知结果的反应区图像在BP神经网络中训练得到的初始判定网络。
本发明具有以下有益效果：1、本发明所述的一种基于神经网络的IVD图像识别判定方法，采用体外诊断产品和智能终端设备即可实现诊断，消除了地域性和时间性的限制；2、本发明采用的是基于神经网络的图像判定方法，对所述神经网络进行外部修正、训练和更新，提高了识别结果的准确性。3、对反应区图像进行高斯平滑处理能够去除噪点，减少光照不匀和试剂反应不匀对识别精度的影响。
下面结合附图和实施例对发明作进一步说明。
附图说明
图1为本发明所述的一种基于神经网络的IVD图像识别判定方法步骤流程图。
图2为本发明所述的一种基于神经网络的IVD图像识别判定方法中的步骤S2与步骤S3之间所包括的步骤流程图。
图3为本发明所述的一种基于神经网络的IVD图像识别判定方法中的步骤S4中提取检测点的具体步骤流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明所述的一种基于神经网络的IVD图像识别判定方法，包括如下步骤：
S1、获取原始图像：所述原始图像由智能终端设备拍摄所得，所述原始图像包含反应区图像和识别标签图像；
S2、获取反应区图像：根据所述识别标签图像的特征划分反应区，并提取反应区图像；
S3、对反应区图像进行高斯平滑处理；
S4、提取反应区图像中的检测点，所述检测点为反映检测结果的像素点；
S5、计算检测点的色值以及检测点对应的背景色值；
S6、汇总取得的检测点的色值以及检测点对应的背景色值，将数据输入神经网络；
S7、根据神经网络的算法识别结果；
S8、输出结果，所述结果显示在所述智能终端设备上。
具体地，所述识别标签图像位于体外诊断产品上的特定位置，所述识别标签图像为记录数据符号信息的图像，作为本实施例优选地，所述识别标签图像为二维码图像。
具体地，所述步骤S2与步骤S3之间还包括以下步骤：
S21、获取反应区图像中亮色的像素点，其色值为第一色值；获取反应区图像中暗色的像素点，其色值为第二色值；
S22、去除第一色值中方差过大的值，对剩下的第一色值求平均值，该平均值为第一校准值；
S23、去除第二色值中方差过大的值，对剩下的第二色值求平均值，该平均值为第二校准值；
S24、根据所述第一校准值和所述第二校准值对所述反应区图像作光线校准处理。
所述步骤S21～S24的作用为对反应区图像进行光线校准，减少不同光照对识别精度的影响。
具体地，所述步骤S4中提取检测点的方法，根据反应区的特征而定，本实施对于具有多条反应线的反应区所采用的方法，其具体步骤包括：
S401、定义反应区图像的水平方向为X轴，定义反应区图像的竖直方向为Y轴；
S402将X轴方向的像素点去除方差过大的像素点，对剩下的像素点求平均值，得到长度为Y的像素点的集合。
通过步骤S401～S402，将反应区图像进行压缩，由原来的RGB数值转换为浮点型数组，便于后面对数据的分析。
具体地，步骤S5中计算检测点的色值以及检测点对应的背景色值的具体步骤包括：
S501、计算检测点的色值：向所述检测点的两端偏移一定范围形成反应线区间，取反应线区间内最小的n个值，去除该n个值的方差过大的值后作平均值，该平均值为检测点的色值；
S502、计算检测点的背景色值：在所述反应线区间内，取区间内最大的n个值去除方差后作平均值为检测点的背景色值。
通过步骤S501得到的检测点的色值即反应线的色值。
具体地，所述步骤S5与步骤S6之间还包括以下步骤：
S51：检测是否有检测点未识别，若有，则返回步骤S4,若无，则进行下一步骤；
S52：检测是否有反应区未识别，若有，则返回步骤S2，若无，则进行下一步骤。
通过步骤S51～S52，对反应区以及检测点多次识别，提高对反应区图像的识别精度，使得识别结果更准确可靠。
具体地，所述智能终端设备为手机、平板电脑、具有数据处理功能以及摄录功能的智能可穿戴设备、计算机终端、家居智能终端中的一种。
具体地，所述神经网络为使用500张不同光线环境、已知结果的反应区图像在BP神经网络中训练得到的初始判定网络。经过试验，该神经网络可使识别结果的准确率大于90％，当拥有更多反应区图像的数据时，继续训练神经网络可达到更高的准确率。
本发明所述的一种基于神经网络的IVD图像识别判定方法，采用体外诊断产品和智能终端设备即可实现诊断，消除了地域性和时间性的限制；对于结果的识别方法是基于神经网络的图像判定方法，过程中不断对所述神经网络进行外部修正、训练和更新，提高了识别结果的准确性。此外，本发明对反应区图像进行高斯平滑处理能够去除噪点，减少光照不匀和试剂反应不匀对识别精度的影响。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变型不脱离本发明的精神和范围，倘若这些改动和变型属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变型。

Claims (8)

1.一种基于神经网络的IVD图像识别判定方法，其特征在于：其包括如下步骤：
S1、获取原始图像：所述原始图像由智能终端设备拍摄所得，所述原始图像包含反应区图像和识别标签图像；
S2、获取反应区图像：根据所述识别标签图像的特征划分反应区，并提取反应区图像；
其中，所述步骤S2与步骤S3之间还包括以下步骤：
S21、获取识别标签图像中亮色的像素点，其色值为第一色值；获取识别标签图像中暗色的像素点，其色值为第二色值；
S22、去除第一色值中方差过大的值，对剩下的第一色值求平均值，该平均值为第一校准值；
S23、去除第二色值中方差过大的值，对剩下的第二色值求平均值，该平均值为第二校准值；
S24、根据所述第一校准值和所述第二校准值对所述反应区图像作光线校准处理；
S3、对反应区图像进行高斯平滑处理；
S4、提取反应区图像中的检测点，所述检测点为反映检测结果的像素点；
S5、计算检测点的色值以及检测点对应的背景色值；
S6、汇总取得的检测点的色值以及检测点对应的背景色值，将数据输入神经网络；
S7、根据神经网络的算法识别结果，对所述神经网络进行外部修正、训练并更新；
S8、输出结果，所述结果显示在所述智能终端设备上。
2.根据权利要求1所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述识别标签图像位于体外诊断产品上的特定位置，所述识别标签图像为记录数据符号信息的图像。
3.根据权利要求2所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述识别标签图像为二维码图像。
4.根据权利要求1所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述步骤S4中提取检测点的方法，根据反应区的特征而定，对于具有多条反应线的反应区所采用的方法，其具体步骤包括：
S401、定义反应区图像的水平方向为X轴，定义反应区图像的竖直方向为Y轴；
S402、将X轴方向的像素点去除方差过大的像素点，对剩下的像素点求平均值，得到长度为Y的像素点的集合。
5.根据权利要求4所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：步骤S5中计算检测点的色值以及检测点对应的背景色值的具体步骤包括：
S501、计算检测点的色值：向所述检测点的两端偏移一定范围形成反应线区间，取反应线区间内最小的n个值，去除该n个值的方差过大的值后作平均值，该平均值为检测点的色值；
S502、计算检测点的背景色值：在所述反应线区间内，取区间内最大的n个值去除方差后作平均值为检测点的背景色值。
6.根据权利要求1所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述步骤S5与步骤S6之间还包括以下步骤：
S51：检测是否有检测点未识别，若有，则返回步骤S4,若无，则进行下一步骤；
S52：检测是否有反应区未识别，若有，则返回步骤S2，若无，则进行下一步骤。
7.根据权利要求1所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述智能终端设备为手机、平板电脑、具有数据处理功能以及摄录功能的智能可穿戴设备、计算机终端、家居智能终端中的一种。
8.根据权利要求1所述的一种基于神经网络的IVD图像识别判定方法，其特征在于：所述神经网络为使用500张不同光线环境、已知结果的反应区图像在BP神经网络中训练得到的初始判定网络。
CN201811289576.9A 2018-10-31 2018-10-31 一种基于神经网络的ivd图像识别判定方法 Active CN109492650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811289576.9A CN109492650B (zh) 2018-10-31 2018-10-31 一种基于神经网络的ivd图像识别判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811289576.9A CN109492650B (zh) 2018-10-31 2018-10-31 一种基于神经网络的ivd图像识别判定方法

Publications (2)

Publication Number Publication Date
CN109492650A CN109492650A (zh) 2019-03-19
CN109492650B true CN109492650B (zh) 2021-07-20

Family

ID=65691822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811289576.9A Active CN109492650B (zh) 2018-10-31 2018-10-31 一种基于神经网络的ivd图像识别判定方法

Country Status (1)

Country Link
CN (1) CN109492650B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222340A (zh) * 2011-06-30 2011-10-19 东软集团股份有限公司 前景检测方法及系统
CN104156715A (zh) * 2014-09-01 2014-11-19 杭州朗和科技有限公司 一种终端设备、信息采集方法及装置
CN106546581A (zh) * 2016-11-02 2017-03-29 长沙云知检信息科技有限公司 试纸检测卡智能检测系统以及试纸检测卡智能分析方法
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法
CN107066934A (zh) * 2017-01-23 2017-08-18 华东交通大学 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备
CN108701355A (zh) * 2016-03-25 2018-10-23 英特尔公司 Gpu优化和在线基于单高斯的皮肤似然估计

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10410096B2 (en) * 2015-07-09 2019-09-10 Qualcomm Incorporated Context-based priors for object detection in images
US10839510B2 (en) * 2015-08-19 2020-11-17 Colorado Seminary, Which Owns And Operates The University Of Denver Methods and systems for human tissue analysis using shearlet transforms

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222340A (zh) * 2011-06-30 2011-10-19 东软集团股份有限公司 前景检测方法及系统
CN104156715A (zh) * 2014-09-01 2014-11-19 杭州朗和科技有限公司 一种终端设备、信息采集方法及装置
CN108701355A (zh) * 2016-03-25 2018-10-23 英特尔公司 Gpu优化和在线基于单高斯的皮肤似然估计
CN106546581A (zh) * 2016-11-02 2017-03-29 长沙云知检信息科技有限公司 试纸检测卡智能检测系统以及试纸检测卡智能分析方法
CN107066934A (zh) * 2017-01-23 2017-08-18 华东交通大学 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法

Also Published As

Publication number Publication date
CN109492650A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
US11321578B2 (en) Analysis of a captured image to determine a test outcome
Maghdid et al. Diagnosing COVID-19 pneumonia from X-ray and CT images using deep learning and transfer learning algorithms
Oliveira et al. Unsupervised retinal vessel segmentation using combined filters
Chen et al. SVIA dataset: A new dataset of microscopic videos and images for computer-aided sperm analysis
Spalding et al. Image analysis is driving a renaissance in growth measurement
US20170209078A1 (en) Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
Poostchi et al. Malaria parasite detection and cell counting for human and mouse using thin blood smear microscopy
Serrat et al. myStone: A system for automatic kidney stone classification
EP2751730A2 (en) Systems and methods for tissue classification
Dietter et al. Optic disc detection in the presence of strong technical artifacts
CN111950595A (zh) 肝脏病灶图像处理方法、系统、存储介质、程序、终端
Wang et al. An automatic approach for retinal vessel segmentation by multi-scale morphology and seed point tracking
WO2023193390A1 (zh) 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统
Lee et al. Image analysis using machine learning for automated detection of hemoglobin H inclusions in blood smears-a method for morphologic detection of rare cells
CN113130050B (zh) 一种医学信息显示方法及显示系统
CN109492650B (zh) 一种基于神经网络的ivd图像识别判定方法
Cuevas et al. Blood vessel segmentation using differential evolution algorithm
CN109493326B (zh) 一种用于医疗检测领域的移动式识别分析系统
Arjmand et al. An evolutionary algorithm-based optimization method for the classification and quantification of steatosis prevalence in liver biopsy images
Alim et al. Integrating convolutional neural networks for microscopic image analysis in acute lymphoblastic leukemia classification: A deep learning approach for enhanced diagnostic precision
CN107330276B (zh) 神经影像图检索方法及装置
Cheng et al. Design of a computer-assisted system to automatically detect cell types using ANA IIF images for the diagnosis of autoimmune diseases
Zhang et al. Abnormal region detection in gastroscopic images by combining classifiers on neighboring patches
Fough et al. Predicting and Identifying Antimicrobial Resistance in the Marine Environment Using AI & Machine Learning Algorithms
RU2742003C1 (ru) Способ и система коррекции нежелательных ковариационных эффектов в микробиомных данных

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