CN110243823A - 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 - Google Patents

基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 Download PDF

Info

Publication number
CN110243823A
CN110243823A CN201910381736.0A CN201910381736A CN110243823A CN 110243823 A CN110243823 A CN 110243823A CN 201910381736 A CN201910381736 A CN 201910381736A CN 110243823 A CN110243823 A CN 110243823A
Authority
CN
China
Prior art keywords
image
sample
alkaline phosphatase
rickets
bone alkaline
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
Application number
CN201910381736.0A
Other languages
English (en)
Other versions
CN110243823B (zh
Inventor
余晖
孟令桐
董云龙
吴越
袁烨
向赟
孙虹
邬欢
刘秀珍
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910381736.0A priority Critical patent/CN110243823B/zh
Publication of CN110243823A publication Critical patent/CN110243823A/zh
Application granted granted Critical
Publication of CN110243823B publication Critical patent/CN110243823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8483—Investigating reagent band
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/573—Immunoassay; Biospecific binding assay; Materials therefor for enzymes or isoenzymes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8483—Investigating reagent band
    • G01N2021/8494—Measuring or storing parameters of the band
    • 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
    • G06T2207/30008—Bone
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Hematology (AREA)
  • Epidemiology (AREA)
  • Urology & Nephrology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Plasma & Fusion (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Multimedia (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • Evolutionary Computation (AREA)
  • Microbiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种基于支持向量机的小儿佝偻病自动筛查装置及其使用方法，属于体外诊断试剂自动检测技术领域，装置包括底座、立柱、顶板、直线电机、载物台、卡槽、图像采集传感器和处理器，该装置通过载物台能够固定批量的待检测血清样本，通过直线电机能够将批量的样本传送至图像采集传感器下方，使用图像采集传感器进行待检测血清样本的显色斑点图像采集，并在处理器中使用支持向量机模型根据显色斑点颜色特征确定骨碱性磷酸酶的活性范围。并提供了装置的使用方法。本发明装置及方法能够实现血清样本的骨碱性磷酸酶的活性范围批量自动化检测，避免检测人员主观判断和环境光照等因素对于结果的不良影响，提高了检测结果的准确度和检测效率。

Description

基于支持向量机的小儿佝偻病自动筛查装置及其使用方法
技术领域
本发明属于体外诊断试剂自动检测技术领域，更具体地，涉及基于支持向量机的小儿佝偻病自动筛查装置及其使用方法。
背景技术
体外诊断(IVD，In-Vitro Diagnostics)是指将血液、体液、组织等样本从人体中取出，使用体外检测试剂、试剂盒、校准物、质控物等对样本进行检测与校验，以便对疾病进行预防、诊断、治疗检测、后期观察、健康评价、遗传疾病预测等的过程。检测过程中需要相应的试剂和仪器。体外诊断试剂是指：可单独使用或与仪器、器具、设备或系统组合使用，在疾病的预防、诊断、治疗监测、预后观察、健康状态评价以及遗传性疾病的预测过程中，用于对人体样本(各种体液、细胞、组织样本等)进行体外检测的试剂、试剂盒、校准品(物)、质控品(物)等。目前体外诊断技术的发展方向主要分为两类：一类是是快速简便、便于普及和现场检测的快速诊断；另一类是高度集成、系统自动化的仪器诊断。
目前国内临床进行小儿佝偻病筛查和诊断的主要方法为利用酶联免疫法来检测骨碱性磷酸酶(BALP)的活性。骨碱性磷酸酶是成骨细胞的表型标志物之一，它由骨质中分泌出来，当骨头中钙盐沉淀不足时，该酶分泌增多，骨中钙盐充足时就分泌减少，所以可用来帮助检查有无钙吸收不足，可直接反映成骨细胞的活性或功能状况，是近年来主要用于小儿佝偻病早期诊断和亚临床鉴别的特异性参考指标，也是目前用于评价人体骨矿化障碍的最佳指标，具有灵敏特异简便快速的优点。骨碱性磷酸酶正常水平参考值为≤200U/L，临界参考值为200～250U/L，250～300U/L则达到小儿佝偻病医疗水平。
目前小儿佝偻病体外诊断试剂检测主要是操作人员手动完成，通过向血清样本试条中滴加显色剂后，比较试条显色斑点的颜色与标准色板的颜色来确定骨碱性磷酸酶(BALP)活性水平。正常小儿血浆BALP活性一般≤200U/L，显色斑点浅于标准比色板的浅粉色或无色；不同病期的佝偻病患儿血浆BALP活性有不同程度的增高，反应膜上的色斑呈不同程度的暗紫色，200U/L～250U/L之间时，显色斑点介于标准比色板的浅粉色与浅紫色之间，为可疑病例；250U/L～300U/L之间时，显色斑点介于标准比色板的粉紫色与紫色之间，为佝偻病诊断界限值。这种方法简便且直接，获得了广泛的应用。但人眼检测的方法易受主观因素和外界光照等条件的影响，并且大量检测例的操作下存在视觉疲劳等缺点，容易产生误检，可能造成小儿佝偻病的误诊。
中国发明专利申请(201410836485.8)公开了一种全自动荧光免疫定量分析装置及实现方法。该方案可以实现自动加载试剂条和样本，但是该方案没有通过图像采集来实现自动检测，仍需要人为判断检测结果。
中国发明专利申请(201710532986.0)公开了一种全自动微流控芯片荧光免疫检测系统及其检测方法。该方案利用光电传感器将荧光信号转化成数字信号并带入相应标准曲线，计算待测物的含量。该方案对传感器精度要求高，检测过程较为繁琐。
因此，如何实现小儿佝偻病的批量自动筛查诊断，并提高诊断效率和准确性，成为本领域的技术难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了基于支持向量机的小儿佝偻病自动筛查装置及其使用方法，其目的在于，实现小儿佝偻病的批量自动筛查诊断，并提高诊断效率和准确性，由此解决现有筛查诊断装置的自动化程度低、效率和准确性低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于支持向量机的小儿佝偻病自动筛查装置，其特征在于，包括底座、立柱、顶板、直线电机、载物台、卡槽、图像采集传感器和处理器，其中，
所述底座和所述顶板之间通过一个或多个立柱固定连接；
所述直线电机固定在所述底座上；
所述载物台固定在所述直线电机上，用于同时固定一个或多个骨碱性磷酸酶试剂盒；
所述图像采集传感器布置于所述顶板上，用于采集骨碱性磷酸酶试剂盒内待检测样本的图像，并将该图像传输至所述处理器；
所述处理器用于对所述图像进行处理，采用支持向量机算法提取图像中的显色斑点的颜色特征，根据颜色特征确定样本的骨碱性磷酸酶活性范围，对样本的骨碱性磷酸酶活性进行分类，实现小儿佝偻病的自动筛查诊断。
优选地，所述载物台上设置有多个卡槽，所述卡槽用于固定骨碱性磷酸酶试剂盒；
优选地，上述小儿佝偻病自动筛查装置还包括光源，所述光源布置于所述顶板下方。
优选地，所述处理器用于对所述图像进行归一化处理，将图像处理成固定尺寸的图像。
优选地，所述处理器根据显色斑点的颜色将样本骨碱性磷酸酶活性范围分为标准的阴性、临界和阳性，其中阴性为正常小儿样本，临界为小儿佝偻病可疑病例样本，阳性为小儿佝偻病确认诊断样本；根据样本图像中的显色斑点的颜色特征，确定样本的骨碱性磷酸酶活性范围，将该活性范围与标准作比较，判断样本的骨碱性磷酸酶活性为阴性、临界或阳性，实现小儿佝偻病的自动筛查诊断。
按照本发明的另一方面，还提供了上述小儿佝偻病自动筛查诊断装置的使用方法，其特征在于，包括如下步骤：
(1)将一个或多个骨碱性磷酸酶试剂盒固定在载物台上；
(2)通过直线电机传动载物台，使每个骨碱性磷酸酶试剂盒依次传动至图像采集传感器正下方，通过图像采集传感器采集每个骨碱性磷酸酶试剂盒内待检测样本的图像，并将该图像传输至处理器；
(3)通过处理器对图像进行处理，采用支持向量机算法提取图像中的显色斑点的颜色特征，根据颜色特征确定样本的骨碱性磷酸酶活性范围，对样本的骨碱性磷酸酶活性进行分类。
优选地，步骤(3)中，通过处理器对图像进行归一化处理，将图像处理成固定尺寸的图像。
优选地，步骤(3)中，将样本的骨碱性磷酸酶活性范围与标准作比较，确定样本的骨碱性磷酸酶活性的类别。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明装置通过载物台能够固定批量的待检测血清样本，通过直线电机能够将批量的血清样本传送至图像采集传感器下方，使用图像采集传感器进行待检测血清样本的显色斑点图像采集，并在处理器中使用支持向量机模型对显色斑点颜色特征进行分类，确定骨碱性磷酸酶的活性范围；避免了检测人员主观判断对于结果的影响，并且避免了环境光照等因素造成的人为检测误差，从而提高了检测结果的准确度。
(2)使用直线电机驱动多个样本试剂盒，可以实现批量血清样本的检测，无须人工干预，提高了检测效率。
(3)本发明方法采用支持向量机算法提取骨碱性磷酸酶试剂样本的显色斑点图像中的颜色特征，根据颜色特征对样本的骨碱性磷酸酶活性进行分类，相比人眼对比试剂颜色和标准颜色，准确率高，避免检测人员主观判断对于结果的影响，尤其是视觉疲劳状态下，主观因素影响检测结果造成的误判，并且避免了环境光照等因素造成的人为检测误差，从而提高了检测结果的准确度。
附图说明
图1是本发明较佳实施例中一种基于支持向量机的小儿佝偻病自动筛查诊断装置的结构示意图；
图2是本发明较佳实施例中一种基于支持向量机的小儿佝偻病自动筛查诊断方法的示意图。
在所有的附图中，相同的附图标记用来表示相同的元件或结构，其中：
1-1底座；1-2立柱；1-3顶板；1-4直线电机；1-5直线电机载物台；1-6骨碱性磷酸酶试剂盒；1-7显色斑点；1-8卡槽；1-9图像采集传感器；1-10光源；1-11数据线；1-12处理器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于支持向量机的小儿佝偻病自动筛查诊断装置，使用直线电机驱动批量的检测样本试剂盒，使用工业摄像头进行待检测图像采集，使用所设计的有效支持向量机模型提取预设小儿佝偻病颜色特征与待测样本进行比对，使用计算机处理整个过程从而实现检测自动化。可有效提升体外诊断试剂检测设备的自动化水平，并提高检测速度和检测结果的准确度。
支持向量机(SVM)是统计学中一种常用的分类器，可用于对样本数据进行分类。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习过程是先训练出一个分割超平面(separation hyperplane)，该平面就是分类的决策边界，分在平面两边的就是两类。改进的支持向量机算法也可以适用于多类分类问题。支持向量机在小样本训练集上能够得到比其他算法好很多的结果，成为目前最常用、效果最好的分类器之一。
小儿佝偻病骨碱性磷酸酶检测，其原理是通过采集试剂盒上样本显色斑点的颜色特征，将其分为三类：阴性、临界和阳性。支持向量机可以用于小儿佝偻病骨碱性磷酸酶检测，并使检测装置能够准确地、稳定地对待测样本进行检测，达到对小儿佝偻病的自动筛查诊断。
如图1所示，本发明实施例提供一种基于支持向量机的小儿佝偻病自动筛查诊断装置，用于实时检测分析小儿血清样本，包括底座1-1、立柱1-2、顶板1-3、直线电机1-4、载物台1-5、骨碱性磷酸酶试剂盒1-6、卡槽1-8、图像采集传感器1-9、光源1-10、数据线1-11和处理器1-12。
立柱1-2下方固定在底座1-1上，立柱1-2上方固定顶板1-3。
直线电机1-4固定在底座1-1上，用于传动载物台1-5及其上面的多个试剂盒。直线电机可采用上银LMCB-5直线电机。工作时，操作人员将多个显色处理之后的试剂盒分别安装到卡槽中，之后直线电机传动每个试剂盒到图像采集传感器1-9正下方，图像采集传感器1-9采集试剂盒上的显色斑点图像，实现自动批量检测。
载物台1-5固定在直线电机1-4上，载物台1-5上安装有多个卡槽1-8，卡槽1-8用于固定试剂盒。
图像采集传感器1-9和光源1-10放置在顶板1-3上，图像传感器1-9通过数据线1-11连接到处理器1-12。光源1-10用于提供光照，图像传感器1-9用于采集试剂盒显色斑点的待检测样本图像，并通过数据线1-11传输到处理器1-12上。图像采集传感器1-9可采用柏林视S908工业广角摄像头。
处理器1-12用于采集待检测样本显色斑点图像，对待检测样本的显色斑点图像进行归一化处理，处理成固定尺寸的图像，利用支持向量机算法进行颜色特征学习，对待检测样本骨碱性磷酸酶活性进行自动分类检测，进而确定当前样本骨碱性磷酸酶活性，实现小儿佝偻病的自动筛查诊断。
如图2所示，在显色斑点图像输入到处理器1-12后，在经过标准比色卡训练后的支持向量机模型中进行处理，得到三条决策边界，实现根据其颜色特征进行分类，确定样本骨碱性磷酸酶活性的范围，进而实现小儿佝偻病的筛查诊断。
具体的，根据显色斑点颜色特征可以将样本骨碱性磷酸酶活性分为3类：阴性、临界和阳性。阴性为正常小儿样本，临界为小儿佝偻病可疑病例样本，阳性为小儿佝偻病确认诊断样本。
具体的，通过图像归一化将待测样本原始图像转化为固定尺寸的图像，优选地，图像大小可选为144×144像素。
具体的，所用支持向量机算法在3个分类类别中构造所有可能的两类分类器，每个分类器仅仅在3类之中的两类训练样本上进行训练，采用投票法对所有的支持向量机的输出结果进行统计，得票数最多的那一类就是待检测样本所属的类。设为样本第i类和第j类的支持向量机，Dij(x)＝-Dji(x)，其中，
则样本x∈arg{maxDi(x)}。
在本发明实施例中，数据的传输方式不限于以上数据线1-11的有线传输方式，也可以采用无线数据传输方式，具体采用何种数据传输方式，本发明实施例不做唯一性限定。
实施例提供的小儿佝偻病自动筛查诊断装置通过图像采集传感器1-9实时获取骨碱性磷酸酶试剂盒1-6上的显色斑点1-7的图像，并将图像通过数据线1-11传输到处理器1-12，处理器1-12利用支持向量机模型对显色斑点颜色特征进行分类，确定待测样本中骨碱性磷酸酶的活性范围，最终实现小儿佝偻病的自动筛查诊断。避免了人为主观判断和外界光照等因素对诊断结果的影响。
本发明实施例提供的小儿佝偻病自动筛查诊断装置在使用时，
首先，装置的安装：将光源1-10和图像采集传感器1-9安装在顶板1-3上；将四根立柱1-2固定在底座1-1上，在立柱上方固定顶板。将直线电机1-4固定在底座上。将显色后的骨碱性磷酸酶试剂盒1-6放置在直线电机载物台1-5的卡槽1-8之中。使用数据线1-11连接图像采集传感器1-10和处理器1-12。
其次，设备调试：检测开始前，需对数据传输链路进行检查，以及对直线电机载物台的位置进行调整，保证第一个待检测试剂盒上的显色斑点1-7位于图像采集传感器正下方；然后调节图像采集传感器的焦距，使其聚焦在反应膜表面，保证图像采集传感器采集到反应膜平整的图像。
然后，检测开始：直线电机驱动载物台移动，当第一个待检测试剂盒上的显色斑点位于图像传感器正下方时，直线电机停止移动，此时通过图像采集传感器采集显色斑点的图像，经过数据线传输到处理器。图像输入到处理器后，在支持向量机模型中进行处理，最终输出当前样本的骨碱性磷酸酶活性分类结果。直线电机依次将各个试剂盒传送至图像采集传感器的正下方，图像采集传感器依次采集各个试剂盒显色斑点的图像并传输到处理器，通过处理器得到各个样本的骨碱性磷酸酶活性分类结果。
具体地，处理器根据显色斑点的颜色将样本骨碱性磷酸酶活性范围分为标准的阴性、临界和阳性，其中阴性为正常小儿样本，临界为小儿佝偻病可疑病例样本，阳性为小儿佝偻病确认诊断样本；根据样本图像中的显色斑点的颜色特征，确定样本的骨碱性磷酸酶活性范围，将该活性范围与标准作比较，判断样本的骨碱性磷酸酶活性为阴性、临界或阳性，实现小儿佝偻病的自动筛查诊断。
本发明实施例还提供上述小儿佝偻病自动筛查装置的使用方法，包括如下步骤：
(1)将一个或多个骨碱性磷酸酶试剂盒固定在载物台1-5上；
(2)通过直线电机传动载物台1-5，使每个骨碱性磷酸酶试剂盒依次传动至图像采集传感器1-9正下方，通过图像采集传感器1-9采集每个骨碱性磷酸酶试剂盒内待检测样本的图像，并将该图像传输至处理器1-12；
(3)通过处理器1-12对图像进行处理，采用支持向量机算法提取图像中的显色斑点的颜色特征，根据颜色特征对血清样本的骨碱性磷酸酶活性进行分类，确定每个血清样本的骨碱性磷酸酶活性范围。
具体地，步骤(3)中，通过处理器对图像进行归一化处理，将图像处理成固定尺寸的图像。将样本的骨碱性磷酸酶活性范围与标准作比较，确定样本的骨碱性磷酸酶活性的类别。
本领域的技术人员容易理解，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 (8)

1.一种基于支持向量机的小儿佝偻病自动筛查装置，其特征在于，包括底座(1-1)、立柱(1-2)、顶板(1-3)、直线电机(1-4)、载物台(1-5)、卡槽(1-8)、图像采集传感器(1-9)和处理器(1-12)，其中，
所述底座(1-1)和所述顶板(1-3)之间通过一个或多个立柱(1-2)固定连接；
所述直线电机(1-4)固定在所述底座(1-1)上；
所述载物台(1-5)固定在所述直线电机(1-4)上，用于同时固定一个或多个骨碱性磷酸酶试剂盒(1-6)；
所述图像采集传感器(1-9)布置于所述顶板(1-3)上，用于采集骨碱性磷酸酶试剂盒内待检测样本的图像，并将该图像传输至所述处理器(1-12)；
所述处理器(1-12)用于对所述图像进行处理，采用支持向量机算法提取图像中的显色斑点的颜色特征，根据颜色特征确定样本的骨碱性磷酸酶活性范围，对样本的骨碱性磷酸酶活性进行分类。
2.根据权利要求1所述的一种基于支持向量机的小儿佝偻病自动筛查装置，其特征在于，所述载物台(1-5)上设置有多个卡槽(1-8)，所述卡槽(1-8)用于固定骨碱性磷酸酶试剂盒(1-6)。
3.根据权利要求1所述的一种基于支持向量机的小儿佝偻病自动筛查装置，其特征在于，还包括光源(1-10)，所述光源(1-10)布置于所述顶板(1-3)下方。
4.根据权利要求1所述的一种基于支持向量机的小儿佝偻病自动筛查装置，其特征在于，所述处理器(1-12)用于对所述图像进行归一化处理，将图像处理成固定尺寸的图像。
5.根据权利要求1所述的一种基于支持向量机的小儿佝偻病自动筛查诊断装置，其特征在于，所述处理器(1-12)，根据显色斑点的颜色将样本骨碱性磷酸酶活性范围分为标准的阴性、临界和阳性，其中阴性为正常小儿样本，临界为小儿佝偻病可疑病例样本，阳性为小儿佝偻病确认诊断样本；根据样本图像中的显色斑点的颜色特征，确定样本的骨碱性磷酸酶活性范围，将该活性范围与标准作比较，判断样本的骨碱性磷酸酶活性的类别为阴性、临界或阳性。
6.权利要求1-5任一所述装置的使用方法，其特征在于，包括如下步骤：
(1)将一个或多个骨碱性磷酸酶试剂盒固定在载物台(1-5)上；
(2)通过直线电机传动载物台(1-5)，使每个骨碱性磷酸酶试剂盒依次传动至图像采集传感器(1-9)正下方，通过图像采集传感器(1-9)采集每个骨碱性磷酸酶试剂盒内待检测样本的图像，并将该图像传输至处理器(1-12)；
(3)通过处理器(1-12)对图像进行处理，采用支持向量机算法提取图像中的显色斑点的颜色特征，根据颜色特征确定样本的骨碱性磷酸酶活性范围，对样本的骨碱性磷酸酶活性进行分类。
7.根据权利要求6所述的基于支持向量机的小儿佝偻病自动筛查装置的使用方法，其特征在于，步骤(3)中，通过处理器(1-12)对图像进行归一化处理，将图像处理成固定尺寸的图像。
8.根据权利要求6所述的基于支持向量机的小儿佝偻病自动筛查装置的使用方法，其特征在于，步骤(3)中，将样本的骨碱性磷酸酶活性范围与标准作比较，确定样本的骨碱性磷酸酶活性的类别。
CN201910381736.0A 2019-05-08 2019-05-08 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 Active CN110243823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910381736.0A CN110243823B (zh) 2019-05-08 2019-05-08 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910381736.0A CN110243823B (zh) 2019-05-08 2019-05-08 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法

Publications (2)

Publication Number Publication Date
CN110243823A true CN110243823A (zh) 2019-09-17
CN110243823B CN110243823B (zh) 2021-01-05

Family

ID=67883852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910381736.0A Active CN110243823B (zh) 2019-05-08 2019-05-08 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法

Country Status (1)

Country Link
CN (1) CN110243823B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN110930399A (zh) * 2019-12-10 2020-03-27 南京医科大学 基于支持向量机的tka术前临床分期智能评估方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788497A (zh) * 2009-12-30 2010-07-28 深圳先进技术研究院 一种基于图像识别技术的嵌入式豆类分类系统
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
CN102944561A (zh) * 2012-11-16 2013-02-27 北京金橙子科技有限公司 一种矩阵式小器件的外观检测方法及装置
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
WO2013138513A1 (en) * 2012-03-13 2013-09-19 The Regents Of The University Of California Application of light scattering patterns to determine differentiation status of stem cells and stem cell colonies
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
CN104542878A (zh) * 2014-12-05 2015-04-29 中国农业大学 一种用于腐败肉在线检测与剔除系统及方法
CN105954281A (zh) * 2016-04-21 2016-09-21 南京农业大学 一种稻谷霉变真菌菌落无损识别的方法
US20170336379A1 (en) * 2016-05-18 2017-11-23 The Board Of Trustees Of The University Of Illinois Methods and devices for detection of trimethylamine (tma) and trimethylamine oxide (tmao)
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN109239069A (zh) * 2018-09-30 2019-01-18 广州超音速自动化科技股份有限公司 一种电芯外观拍照设备、检测设备以及检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788497A (zh) * 2009-12-30 2010-07-28 深圳先进技术研究院 一种基于图像识别技术的嵌入式豆类分类系统
CN102175625A (zh) * 2010-11-29 2011-09-07 樊潮 一种癌细胞识别方法
WO2013138513A1 (en) * 2012-03-13 2013-09-19 The Regents Of The University Of California Application of light scattering patterns to determine differentiation status of stem cells and stem cell colonies
CN102944561A (zh) * 2012-11-16 2013-02-27 北京金橙子科技有限公司 一种矩阵式小器件的外观检测方法及装置
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
CN104542878A (zh) * 2014-12-05 2015-04-29 中国农业大学 一种用于腐败肉在线检测与剔除系统及方法
CN105954281A (zh) * 2016-04-21 2016-09-21 南京农业大学 一种稻谷霉变真菌菌落无损识别的方法
US20170336379A1 (en) * 2016-05-18 2017-11-23 The Board Of Trustees Of The University Of Illinois Methods and devices for detection of trimethylamine (tma) and trimethylamine oxide (tmao)
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN109239069A (zh) * 2018-09-30 2019-01-18 广州超音速自动化科技股份有限公司 一种电芯外观拍照设备、检测设备以及检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
仲会娟: "基于颜色特征和SVM的自然图像分类标注算法", 《绵阳师范学院学报》 *
卫生部科技教育司: "《妇女健康与人口素质研究》", 31 October 2000, 人民卫生出版社 *
潘治利 等: "基于图像处理和支持向量机的初烤烟叶颜色特征区域分类", 《作物学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN110930399A (zh) * 2019-12-10 2020-03-27 南京医科大学 基于支持向量机的tka术前临床分期智能评估方法

Also Published As

Publication number Publication date
CN110243823B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
JP6858243B2 (ja) 試料容器の容器キャップを識別するためのシステム、方法及び装置
JP6976257B2 (ja) マルチビューの特徴付けのための方法及び装置
JP6879366B2 (ja) 試料の溶血、黄疸、脂肪血症、又は正常性を検出する方法、装置及び品質チェックモジュール
KR200470398Y1 (ko) 소변검사용 스트립
JP2022514054A (ja) 臨床現場即時検査結果の画像を分析するためのシステム及び方法
KR102091832B1 (ko) 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치
CN108395986A (zh) 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN111815614B (zh) 基于人工智能的寄生虫检测方法、系统及终端设备
CA3114584A1 (en) Automated evaluation of sperm morphology
CN110243823A (zh) 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法
CN100470578C (zh) 基于计算机视觉的科学仪器工作状态监测方法
Lovell et al. International contest on pattern recognition techniques for indirect immunofluorescence images analysis
Flaucher et al. Smartphone-based colorimetric analysis of urine test strips for at-home prenatal care
JP4898828B2 (ja) 凝集判定方法
JP4881973B2 (ja) 血液試料分析用マイクロチューブリーダー装置およびマイクロチューブを読取る方法
CN117152152B (zh) 检测试剂盒的生产管理系统及方法
CN208857289U (zh) 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN114152557A (zh) 基于图像分析的血细胞计数方法和系统
CN208752089U (zh) 一种具备自动定标功能的poct检测设备
CN110960194B (zh) 一种耳相采集装置及采集方法
CN111060703A (zh) 一种试纸传感器分析方法、设备及系统
Mudanyali et al. Smart rapid diagnostics test reader running on a cell-phone for real-time mapping of epidemics
OA21122A (en) Parasite detection method and system based on artificial intelligence, and terminal device.
WO2019000741A1 (zh) 微柱凝胶卡凝集检测结果识别方法
CN114441512B (zh) 阴道分泌物检测仪、干化学检测装置和干化学检测方法

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
GR01 Patent grant
GR01 Patent grant