CN110232360B - 一种利用神经网络对荧光镜检真菌阴阳性的判别方法 - Google Patents

一种利用神经网络对荧光镜检真菌阴阳性的判别方法 Download PDF

Info

Publication number
CN110232360B
CN110232360B CN201910523814.6A CN201910523814A CN110232360B CN 110232360 B CN110232360 B CN 110232360B CN 201910523814 A CN201910523814 A CN 201910523814A CN 110232360 B CN110232360 B CN 110232360B
Authority
CN
China
Prior art keywords
model
data
neural network
fungus
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.)
Active
Application number
CN201910523814.6A
Other languages
English (en)
Other versions
CN110232360A (zh
Inventor
张艳晖
许慧
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.)
Yibao Medical Technology Shanghai Co ltd
Original Assignee
Yibao Medical Technology Shanghai 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 Yibao Medical Technology Shanghai Co ltd filed Critical Yibao Medical Technology Shanghai Co ltd
Priority to CN201910523814.6A priority Critical patent/CN110232360B/zh
Publication of CN110232360A publication Critical patent/CN110232360A/zh
Application granted granted Critical
Publication of CN110232360B publication Critical patent/CN110232360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种利用神经网络对荧光镜检真菌阴阳性的判别方法，包括的步骤有：取临床数据制作载玻片标本，采集图像数据。将其中阴阳性图片由有经验的医生对采集到的数据样本标注，在图像上标记菌丝及孢子所在位置，得到标注文件。将标注文件分为训练集、测试集和验证集，读入图片数据和标注信息，输入到神经网络框架中，利用交叉熵损失，采用Adam梯度下降优化器，调整神经网络中参数，训练模型，用训练好的模型测试验证集上的数据，得到模型最终准确率。将模型部署在硬件或者服务器上，实现自动判定真菌阴阳性的功能。本发明可自动识别判定患者是否是真菌感染，减小了医生工作量。

Description

一种利用神经网络对荧光镜检真菌阴阳性的判别方法
技术领域
本发明涉及一种真菌检测的方法，特别是涉及一种采用人工智能判断荧光镜检真菌阴阳性的方法。
背景技术
全世界每年有数千万医学真菌感染者，由病原导致的真菌深部感染每年导致150万人死亡。如何快速准确鉴别医学真菌感染，尤其是致命真菌感染是世界医学急待攻克的难题。
当下我国二级以下医院及偏远地区，没有条件开展真菌检查，这些相对不发达地区真菌感染发病人数反而更多。另外，真菌的鉴定需要专业的检验技师，培养周期长，至少从事五年以上真菌检测工作，很多医院没有条件。
由于患者感染真菌出现的症状与其他病症具有很高的相似性，临床上通常通过真菌检查方法判断患者是否出现了真菌感染，然后对症下药。荧光镜检法是一种常用、快速的临床真菌检查方法，也是目前临床中运用最为广泛的方法。荧光镜检法通过取患者感染处标本置于载玻片上，加入荧光增白剂染色后在光镜下检查。
传统的荧光镜检由有经验的医生，观察目镜下图像并寻找菌丝及孢子。如果能在图像中找到真菌菌丝或者孢子，则认为患者为真菌感染，如果不能找到，则认为患者是其他原因导致病症。这样带来的弊端主要由三点。第一是这种判断非常依赖医生对真菌检验方面的知识。而这需要通过大量临床积累。目前我国医疗资源短缺，临床医生尤其匮乏。第二是这种判断方式相对主观，荧光镜检有可能误诊或者漏诊。第三是真菌检测在临床上是运用非常多，由医生人工判定的方式相对较慢，检测数量较少。
发明内容
本发明的目的就是提供一种利用神经网络对荧光镜检真菌阴阳性的判别方法，能完全解决上述现有技术的不足之处。
本发明的目的通过下述技术方案来实现：
一种利用神经网络对荧光镜检真菌阴阳性的判别方法，包括的步骤有：
步骤一：取至少500份临床数据制作载玻片标本，放在显微镜下观察，采集图像数据，每个载玻片采集至少50张图片；
步骤二：取其中阴阳性图片各1000张，由有经验的医生对采集到的数据样本标注，在图像上标记菌丝及孢子所在位置，得到标注文件；
步骤三：将标注文件按8︰1︰1分为训练集、测试集和验证集，读入图片数据和标注信息，输入到神经网络框架中，利用交叉熵损失，采用Adam梯度下降优化器，调整神经网络中参数，训练模型，观察训练集和测试集的损失值及准确率，得到准确率和召回率均在98%以上的模型，用训练好的模型测试验证集上的数据，得到模型最终准确率；
步骤四：用模型预测剩余未打标的图像数据，得到预测结果，由有经验的医生调整修改结果，得到新的打标数据，将修改后的打标数据作为训练集训练模型，进一步提高模型的准确率；
步骤五：将模型部署在硬件或者服务器上，实现自动判定真菌阴阳性的功能。
优选地，步骤一中所取临床数据包括疑似真菌感染患者、真菌感染患者、其他原因感染者、正常人的临床数据。
优选地，步骤四中模型预测后的结果再进行人工微调，有利于减小人工打标的成本。
与现有技术相比，本发明的有益效果在于：
第一、可部署在硬件或者服务器上，通过算法自动识别判定患者是否是真菌感染，减小了医生工作量。
第二、通过大量数据的训练，算法可以达到和专业医生相近的水平甚至超过医生，减小患者误诊或者漏诊的数量。
第三、算法不仅可以知道患者是否为真菌感染，而且可以输出具体菌丝和孢子位置，为医疗诊断提供依据。
第四、算法识别时间仅需要数秒钟，快速便利，可以推广给各个医院大面积使用，降低每次检查费用，缩短检查时间。
附图说明
图1是本发明的模型训练流程图；
图2是本发明的疑似真菌感染患者判定流程图；
图3是打标前采集的图像数据；
图4是打标结果图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步的说明。
如图1至图4所示，一种利用神经网络对荧光镜检真菌阴阳性的判别方法，在传统的荧光显微镜基础上，在原来目镜的位置加装拍照设备以及算法芯片。由拍照设备采集载玻片的图像，这里的拍照范围覆盖整个载玻片，将采集到的图像输入到算法芯片中，调用芯片中的算法模型对图片是否有真菌进行判别并输出结果。
采用卷积神经网络对显微镜下采集的图片进行快速分析，判断患者是否为真菌感染。主要通过以下步骤实现：
步骤一：取大量（至少500份）临床数据制作载玻片标本，例如模型数据量是273个疑似真菌感染患者，其中194个为真菌感染患者，79个为其他原因感染，在此基础上取94个正常人标本。数据量越大，最终结果越好。然后放在显微镜下观察，采集图像数据，每个载玻片可以采集至少50张图片。
步骤二：取其中阴阳性图片各1000张，由有经验的医生对采集到的数据样本标注，在图像上标记菌丝及孢子所在位置，得到标注文件。标注文件记录了真假菌丝及孢子所在位置。
步骤三：将已有数据（2000张图片）按一定比例（例如8：1：1）分为训练集、测试集和验证集，读入图片数据和标注信息，输入到神经网络框架（例如Unet）中，利用交叉熵损失，采用Adam梯度下降优化器，调整神经网络中参数，训练模型。观察训练集和测试集的损失值及准确率，得到较优的模型（准确率和召回率均在98%以上）。用训练好的模型测试验证集上的数据，得到模型最终准确率。
步骤四：用模型预测剩余未打标的图像数据，得到预测结果。由有经验的医生调整修改结果，得到新的打标数据，将修改后的打标数据作为训练集训练模型，进一步提高模型的准确率。（这一步采用模型预测后的结果再人工微调，是为了减小人工打标的成本）
步骤五：将模型部署在硬件或者服务器上，实现自动判定真菌阴阳性的功能。
本发明的优点是，第一，这套设备可以部署在硬件或者服务器上，通过算法自动识别判定患者是否是真菌感染，减小了医生工作量。第二，通过大量数据的训练，算法可以达到和专业医生相近的水平甚至超过医生，减小患者误诊或者漏诊的数量。第三，算法不仅可以知道患者是否为真菌感染，而且可以输出具体菌丝和孢子位置，为医疗诊断提供依据。第四，算法识别时间仅需要数秒钟，快速便利，可以推广给各个医院大面积使用，降低每次检查费用，缩短检查时间。
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 (2)

1.一种利用神经网络对荧光镜检真菌阴阳性的判别方法，其特征在于，包括的步骤有：
步骤一：取至少500份临床数据制作载玻片标本，放在显微镜下观察，采集图像数据，每个载玻片采集至少50张图片；
步骤二：取其中阴阳性图片各1000张，由有经验的医生对采集到的数据样本标注，在图像上标记菌丝及孢子所在位置，得到标注文件；
步骤三：将标注文件按8︰1︰1分为训练集、测试集和验证集，读入图片数据和标注信息，输入到神经网络框架中，利用交叉熵损失，采用Adam梯度下降优化器，调整神经网络中参数，训练模型，观察训练集和测试集的损失值及准确率，得到准确率和召回率均在98%以上的模型，用训练好的模型测试验证集上的数据，得到模型最终准确率；
步骤四：用模型预测剩余未打标的图像数据，得到预测结果，由有经验的医生调整修改结果，得到新的打标数据，将修改后的打标数据作为训练集训练模型，进一步提高模型的准确率；
步骤五：将模型部署在硬件或者服务器上，实现自动判定真菌阴阳性的功能。
2.根据权利要求1所述的利用神经网络对荧光镜检真菌阴阳性的判别方法，其特征在于，步骤一中所取临床数据包括疑似真菌感染患者、真菌感染患者、其他原因感染者、正常人的临床数据。
CN201910523814.6A 2019-06-17 2019-06-17 一种利用神经网络对荧光镜检真菌阴阳性的判别方法 Active CN110232360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910523814.6A CN110232360B (zh) 2019-06-17 2019-06-17 一种利用神经网络对荧光镜检真菌阴阳性的判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910523814.6A CN110232360B (zh) 2019-06-17 2019-06-17 一种利用神经网络对荧光镜检真菌阴阳性的判别方法

Publications (2)

Publication Number Publication Date
CN110232360A CN110232360A (zh) 2019-09-13
CN110232360B true CN110232360B (zh) 2023-04-18

Family

ID=67860012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910523814.6A Active CN110232360B (zh) 2019-06-17 2019-06-17 一种利用神经网络对荧光镜检真菌阴阳性的判别方法

Country Status (1)

Country Link
CN (1) CN110232360B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081353A (zh) * 2019-12-17 2020-04-28 浙江明峰智能医疗科技有限公司 一种自动化在线学习智能辅助标注医学影像的方法和系统
CN111325176A (zh) * 2020-03-04 2020-06-23 上海昌岛医疗科技有限公司 一种基于人工智能的抗酸杆菌识别方法
CN112528947B (zh) * 2020-12-24 2023-05-23 山东仕达思生物产业有限公司 一种通过增加方向维度的假菌丝检测方法、设备及存储介质
CN113450317A (zh) * 2021-06-10 2021-09-28 西安交通大学 一种针对妇科临床微生物感染的免疫荧光图像检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358193A (zh) * 2017-07-07 2017-11-17 南京天数信息科技有限公司 基于InceptionV3+全连接网络的皮肤真菌识别检测方法
WO2017218202A1 (en) * 2016-06-14 2017-12-21 Beth Israel Deaconess Medical Center, Inc. Automated, digital dispensing platform for microdilution antimicrobial susceptibility testing
CN108520206A (zh) * 2018-03-22 2018-09-11 南京大学 一种基于全卷积神经网络的真菌显微图像识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311573B2 (en) * 2017-05-02 2019-06-04 Techcyte, Inc. Training and machine learning classification of mold in digital microscopy images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017218202A1 (en) * 2016-06-14 2017-12-21 Beth Israel Deaconess Medical Center, Inc. Automated, digital dispensing platform for microdilution antimicrobial susceptibility testing
CN107358193A (zh) * 2017-07-07 2017-11-17 南京天数信息科技有限公司 基于InceptionV3+全连接网络的皮肤真菌识别检测方法
CN108520206A (zh) * 2018-03-22 2018-09-11 南京大学 一种基于全卷积神经网络的真菌显微图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的白带中白细胞的自动检测;钟亚等;《中国生物医学工程学报》;20180430(第02期);全文 *

Also Published As

Publication number Publication date
CN110232360A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232360B (zh) 一种利用神经网络对荧光镜检真菌阴阳性的判别方法
DK2973397T3 (en) Tissue-object-based machine learning system for automated assessment of digital whole-slide glass
Forero et al. Identification of tuberculosis bacteria based on shape and color
US9684960B2 (en) Automated histological diagnosis of bacterial infection using image analysis
Guo et al. Deep learning for assessing image focus for automated cervical cancer screening
Remmerbach et al. Toward a multimodal cell analysis of brush biopsies for the early detection of oral cancer
JP2020020791A (ja) 情報処理装置、情報処理方法、情報処理システム、およびプログラム
TW200929009A (en) Methods and systems for processing biological specimens utilizing multiple wavelengths
WO2019047365A1 (zh) 基于医疗云平台的影像大数据分析系统及方法
Payasi et al. Diagnosis and counting of tuberculosis bacilli using digital image processing
CN110796661B (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN115420578A (zh) 一种基于显微高光谱成像系统的Omicron病毒检测方法
Intra et al. Detection of intestinal parasites by use of the cuvette-based automated microscopy analyser sediMAX®
Meulah et al. A review on innovative optical devices for the diagnosis of human soil-transmitted helminthiasis and schistosomiasis: from research and development to commercialization
CN109214433A (zh) 一种卷积神经网络区分肝癌分化等级的方法
Zachariou et al. Extracting and classifying salient fields of view from microscopy slides of tuberculosis bacteria
Muthalagu et al. Developmental screening tool: accuracy and feasibility of non-invasive anaemia estimation
WO2017166778A1 (zh) 细菌鉴定方法及装置
WO2022190891A1 (ja) 情報処理システム及び情報処理方法
WO2018194036A1 (ja) 上皮細胞の水分泌機能測定方法
KR101725125B1 (ko) 말라리아의 운동성을 이용한 말라리아 진단키트 및 진단방법
CN109187150A (zh) 一种荧光染色真菌检测方法
Li et al. A recognition method of urine cast based on deep learning
CN113436140A (zh) 一种鉴别血瘀证亚型的定量分析方法、系统、终端、介质
JP2001510894A (ja) 検体の下調べ機能を備えた検査体系

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