CN110456050A - 便携式智能数字化寄生虫体外诊断仪 - Google Patents

便携式智能数字化寄生虫体外诊断仪 Download PDF

Info

Publication number
CN110456050A
CN110456050A CN201910626452.3A CN201910626452A CN110456050A CN 110456050 A CN110456050 A CN 110456050A CN 201910626452 A CN201910626452 A CN 201910626452A CN 110456050 A CN110456050 A CN 110456050A
Authority
CN
China
Prior art keywords
helminth
module
image
main processor
processor modules
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
CN201910626452.3A
Other languages
English (en)
Other versions
CN110456050B (zh
Inventor
戴亚康
刘燕
胡保华
耿辰
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.)
Taizhou Yunhai Medical Technology Co Ltd
Original Assignee
Taizhou Yunhai Medical 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 Taizhou Yunhai Medical Technology Co Ltd filed Critical Taizhou Yunhai Medical Technology Co Ltd
Priority to CN201910626452.3A priority Critical patent/CN110456050B/zh
Publication of CN110456050A publication Critical patent/CN110456050A/zh
Application granted granted Critical
Publication of CN110456050B publication Critical patent/CN110456050B/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
    • 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
    • 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
    • G01N33/5308—Immunoassay; Biospecific binding assay; Materials therefor for analytes not provided for elsewhere, e.g. nucleic acids, uric acid, worms, mites
    • 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
    • G01N33/569—Immunoassay; Biospecific binding assay; Materials therefor for microorganisms, e.g. protozoa, bacteria, viruses
    • G01N33/56905—Protozoa
    • 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
    • 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
    • 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
    • G01N2021/7756—Sensor type
    • G01N2021/7759—Dipstick; Test strip

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Hematology (AREA)
  • Theoretical Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • Plasma & Fusion (AREA)
  • Biophysics (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Artificial Intelligence (AREA)
  • Microbiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Virology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了便携式智能数字化寄生虫体外诊断仪，包括：图像采集模块、主处理器模块、显示模块、无线通信模块和云端，主处理器模块和云端中均设置有诊断计算模块；主处理器模块对图像进行预处理，并将预处理后的图像分别传输至所述主处理器模块和云端中的诊断计算模块；所述诊断计算模块对接收的图像进行处理，计算得到图像对应的寄生虫浓度检测量化值，并将计算结果返回至所述主处理器模块。本发明能实现对寄生虫检测试纸的图像采集、处理、定量计算、分析及存储管理等功能，方便使用者使用；本发明通过采用寄生虫浓度检测定量计算网络模型对采集的图像进行处理，能提高检测结果的精度。

Description

便携式智能数字化寄生虫体外诊断仪
技术领域
本发明涉及体外诊断领域，特别涉及一种便携式智能数字化寄生虫体外诊断仪。
背景技术
目前，国内常用的对寄生虫病检测方法有：直接镜检；动物接种或者组织活检；DNA杂交；皮内试验；血清学检测等。随着智能制造、无线通信、微电子等产业的发展，寄生虫检测试纸应运而生，极大地方便了用户使用。
但是，目前仍存在的问题包括：(1)试纸结果为定性半定量，且无数字量化显示。即当前产品形式为试纸条，测试结果多为定性半定量的模拟显示(如C线和T线)，需用户自行理解测试结果，给用户使用带来困难。(2)缺乏结果的电子化保存及智能统计分析。即用户只能以保留试纸条的形式保存测量结果，缺乏电子化保存方法，更无法对其进行智能统计和分析，不利于健康或疾病管理，以及寄生虫致病机理等科学研究等。(3)当前同类产品，如智能血糖仪等设备，采用视频传感器对试纸进行图像采集，然后基于计算机视觉方法计算试纸显色成像与金标准的对应关系，但是，首先，试纸显色具有空间不一致性，即同一数值下的不同试纸，其显色位置分布可能不同；其次，视频传感器成像不一致，即不同视频传感器对同一个物体或者同一类物体采集信息得到的图片在颜色等方面有所不同。现有方法中对上述问题多是使用传统的灰度分布校准等方法，会引起较大识别误差，导致寄生虫浓度值的错误判读。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种便携式智能数字化寄生虫体外诊断仪。
为解决上述技术问题，本发明采用的技术方案是：一种便携式智能数字化寄生虫体外诊断仪，包括：图像采集模块、主处理器模块、显示模块、无线通信模块和云端，所述主处理器模块和云端中均设置有诊断计算模块；
所述无线通信模块用于建立所述主处理器模块和云端之间的通信连接，所述图像采集模块用于采集插入诊断仪的试纸的图像，所述主处理器模块对所述图像进行预处理，并将预处理后的图像分别传输至所述主处理器模块和云端中的诊断计算模块；
所述诊断计算模块对接收的图像进行处理，计算得到图像对应的寄生虫浓度检测量化值，并将计算结果返回至所述主处理器模块；
所述显示模块用于显示用户信息和寄生虫浓度检测量化结果。
优选的是，还包括电源管理模块、存储模块、控制模块和客户端；所述控制模块用于实现界面控制选择；所述客户端通过所述无线通信模块与所述主处理器模块和云端均通信连接，可获取寄生虫浓度检测量化结果；
所述客户端为智能手机端或电脑端。
优选的是，所述图像采集模块、显示模块、电源管理模块、存储模块、控制模块和无线通信模块均与所述主处理器模块连接；
所述主处理器模块对图像进行的预处理包括：对图像进行标准化裁剪，保留图像中有效识别区域。
优选的是，所述诊断计算模块计算图像对应的寄生虫浓度量化值的方法包括以下步骤：
1)进行寄生虫体外诊断图像数据库的首次构建；
2)训练诊断网络，得到寄生虫浓度检测定量计算网络模型；
3)实时诊断：将接收的图像输入得到的寄生虫浓度检测定量计算网络模型，计算得到寄生虫浓度检测量化结果，并将结果传输至所述客户端和主处理器模块；
4)将得到的寄生虫浓度检测量化结果添加至步骤1)中的数据库中，进行寄生虫体外诊断图像数据库的更新，再利用步骤2)的方法重新训练寄生虫浓度检测定量计算网络模型；
其中，在主处理器模块和云端之间的通信有效时，所述主处理器模块和云端中的诊断计算模块同步运行进行寄生虫浓度量化值的计算，且保持数据同步；
当主处理器模块和云端之间的通信失效时，采用所述主处理器模块中的诊断计算模块进行寄生虫浓度量化值的计算并在显示模块显示处理结果，同时将结果存储于所述存储模块，在无线通信恢复后，将结果通过无线通信模块传输至云端中的诊断计算模块，保持主处理器模块和云端中的诊断计算模块的数据同步，并将结果传输至客户端。
优选的是，所述步骤1)具体包括：设定寄生虫浓度检测量化结果表征为1～N的数字，对应每种结果采集M个试纸，记为Xn m，n＝1,…,N；m＝1,…,M；N为大于1的数字，M为大于等于50数字；分别对每个试纸使用所述图像采集模块进行图像采集，记为Yn m，对采集到的图像及对应的寄生虫浓度检测量化结果Zn m传输至云端，完成寄生虫体外诊断图像数据库的首次构建。
优选的是，所述步骤2)包括：基于得到的数据Yn m和Zn m，在云端采用域适应深度学习方法对上述数据进行训练，得到寄生虫浓度检测定量计算网络模型，具体包括：
2-1)对图像Yn m进行感兴趣区域提取，并进行尺寸标准化处理，处理后后的图像记为Un m；
2-2)对图像Un m进行归一化，使归一化后的图像Vn m均值为0，方差为1；
2-3)将图像Vn m输入基于IBN的深度网络模型进行训练，得到寄生虫浓度检测定量计算网络模型。
优选的是，所述基于IBN的深度网络模型为将实例标准化和批标准化集成为构建模块，再将构建模块嵌入到深度网络中；其中，深度网络为DenseNet、ResNet、ResNeXt或SENet。
优选的是，所述基于IBN的深度网络模型为IBN-Net-a网络模型或IBN-Net-b网络模型。
优选的是，所述IBN-Net-a网络模型包括依次连接的四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层；其中第一个卷积层的输出的一半通道使用BN层进行标准化，剩余通道使用IN层进行标准化，并使用ReLU函数作为激活函数；其余两个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数；经过三个卷积网络得到的输出再与输入相加并经过ReLU激活函数层后，作为残差块的输出。
优选的是，所述IBN-Net-b网络模型包括依次连接的由四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层；每个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数，经过三个卷积网络得到的输出与输入相加后先经过IN层，然后再经过ReLU激活函数层后，作为残差块的输出。
本发明的有益效果是：本发明的便携式智能数字化寄生虫体外诊断仪，能实现对寄生虫检测试纸的图像采集、处理、定量计算、分析及存储管理等功能，方便使用者使用；本发明通过采用寄生虫浓度检测定量计算网络模型对采集的图像进行处理，能提高检测结果的精度。
本发明基于现有的快速检测寄生虫的血清学检测试纸，结合计算机视觉、云存储、人工智能等先进技术，提出了一种便携式智能数字化寄生虫体外诊断仪，能实现高检出率的寄生虫血清学检测，以及检测结果的数字化云存储和智能统计分析，形成适用于宠物、家庭人用和医院等医疗机构检验科检测寄生虫的便携式智能化体外诊断仪，能服务于健康管理、产前诊断等医疗工作，还能用于寄生虫致病机理等研究。
附图说明
图1为本发明的便携式智能数字化寄生虫体外诊断仪的原理框图；
图2为本发明的IBN-Net-a网络模型的残差块的结构示意图；
图3为本发明的IBN-Net-b网络模型的残差块的结构示意图；
图4为传统的ResNet网络模型的残差块的结构示意图；
图5为传统的ResNet网络模型的结构示意图；
图6为本发明的IBN-ResNet网络模型的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本实施例的一种便携式智能数字化寄生虫体外诊断仪，包括：图像采集模块、主处理器模块、显示模块、无线通信模块、云端、电源管理模块、存储模块、控制模块和客户端。所述主处理器模块和云端中均设置有诊断计算模块。
所述图像采集模块、显示模块、电源管理模块、存储模块、控制模块和无线通信模块均与所述主处理器模块连接。
所述无线通信模块用于建立所述主处理器模块和云端之间的通信连接。所述图像采集模块用于采集插入诊断仪的试纸的图像，所述主处理器模块用于对所述图像进行预处理，包括：对图像进行标准化裁剪，保留图像中有效识别区域；并将预处理后的图像分别传输至所述主处理器模块和云端中的诊断计算模块。所述诊断计算模块对接收的图像进行处理，计算得到图像对应的寄生虫浓度检测量化值，并将计算结果返回至所述主处理器模块；所述主处理器模块将计算结果传输至显示模块，所述显示模块用于显示用户信息和寄生虫浓度检测量化结果。所述存储模块用于存储所述主处理器模块得到的预处理结果以及诊断计算模块的结果；所述控制模块用于实现界面控制选择；所述客户端通过所述无线通信模块与所述主处理器模块和云端均通信连接，可获取与显示寄生虫浓度检测量化结果；所述客户端可为智能手机端或电脑端，从而使用户能在手机或电脑上获取检测结果。
其中，所述云端计算图像对应的寄生虫浓度量化值的方法包括以下步骤：
1)进行寄生虫体外诊断图像数据库的首次构建；
具体包括：设定寄生虫浓度检测量化结果表征为1～N的数字，对应每种结果采集M个试纸，记为Xn m，n＝1,…,N；m＝1,…,M；N为大于1的数字，M为大于等于50数字；分别对每个试纸使用所述图像采集模块进行图像采集，记为Yn m，对采集到的图像及对应的寄生虫浓度检测量化结果Zn m传输至云端，完成寄生虫体外诊断图像数据库的首次构建。其中，每次检查得到的结果会再添加到寄生虫体外诊断图像数据库中，进行数据库的不断更新。
2)训练诊断网络，得到寄生虫浓度检测定量计算网络模型：
基于得到的数据Yn m和Zn m，在云端采用域适应深度学习方法对上述数据进行训练，得到寄生虫浓度检测定量计算网络模型，具体包括：
2-1)对图像Yn m进行感兴趣区域提取，并进行尺寸标准化处理(如224*224，128*128等)，处理后后的图像记为Un m；
2-2)对图像Un m进行归一化，使归一化后的图像Vn m均值为0，方差为1；
2-3)将图像Vn m输入基于IBN的深度网络模型进行训练，得到寄生虫浓度检测定量计算网络模型。
所述基于IBN的深度网络模型为将实例标准化和批标准化集成为构建模块(building blocks)，其中实例标准化可以学习各种场景下视物的外观不变性，批标准化则可以学习不同场景下视物的外观相关性；然后再将构建模块嵌入到深度网络中；其中，深度网络为DenseNet、ResNet、ResNeXt或SENet等。以ResNet为例，本实施例中构建的基于IBN的深度网络模型为IBN-Net-a网络模型或IBN-Net-b网络模型。
其中，参照图6，所述IBN-Net-a网络模型包括依次连接的四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层，参照图2；其中第一个卷积层的输出的一半通道使用BN层进行标准化，剩余通道使用IN层进行标准化，并使用ReLU函数作为激活函数；其余两个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数；经过三个卷积网络得到的输出再与输入相加并经过ReLU激活函数层后，作为残差块的输出。
其中，参照图6，所述IBN-Net-b网络模型包括依次连接的由四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层，照图3；每个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数，经过三个卷积网络得到的输出与输入相加后先经过IN层，然后再经过ReLU激活函数层后，作为残差块的输出。
传统的ResNet主要由四组残差块组成，结构如图5所示，还包括7x7卷积层、池化层(pool)、平均池化层(avg pool)、全连接层。其中每组残差块结构如图4所示，将1x1,3x3,1x1的3个卷积层依次相连，每个卷积网络输出均使用BN层进行标准化并使用ReLU函数作为激活函数；最后将经过三个卷积网络得到的输出与输入相加并使用ReLU函数作为激活函数，得到残差块网络输出。传统残差块网络中，对卷积层的输出仅仅采用BN方式进行标准化，使得网络学习各种场景下视物的外观不变性信息的能力有限。
针对这个问题，本发明中的IBN-Net-a网络模型，将传统残差块网络中首个卷积层的输出的一半通道使用BN，剩余通道使用IN，如图2所示。本发明的另一种方式，构建为IBN-Net-b网络模型，其不修改残差块中其它网络，仅仅在残差块的加法操作后添加IN，如图3所示。使用IBN-Net-a或IBN-Net-b残差块替代传统ResNet网络中前三个残差块，构建成IBN-ResNet网络，如图6所示，其中，还包括7x7卷积层、池化层(pool)、平均池化层(avg pool)、全连接层。整体上能提高网络性能，尤其是提升跨域的迁移学习，且不会增加计算成本。
且其中，寄生虫体外诊断图像数据库更新后，寄生虫浓度检测定量计算网络模型会重新训练，实现不断更新。
3)实时诊断：将接收的图像输入得到的寄生虫浓度检测定量计算网络模型，计算得到寄生虫浓度检测量化结果，并将结果传输至所述客户端和主处理器模块。
其中，在主处理器模块和云端之间的通信有效时，所述主处理器模块和云端中的诊断计算模块同步运行进行寄生虫浓度量化值的计算，且保持数据同步；当主处理器模块和云端之间的通信失效时，采用所述主处理器模块中的诊断计算模块进行寄生虫浓度量化值的计算并在显示模块显示处理结果，同时将结果存储于所述存储模块，在无线通信恢复后，将结果通过无线通信模块传输至云端中的诊断计算模块，保持主处理器模块和云端中的诊断计算模块的数据同步，并将结果传输至客户端。
4)将得到的寄生虫浓度检测量化结果添加至步骤1)中的数据库中，进行寄生虫体外诊断图像数据库的更新，再利用步骤2)的方法重新训练寄生虫浓度检测定量计算网络模型。寄生虫体外诊断图像数据库和寄生虫浓度检测定量计算网络模型的不断更新，能使数据库容量不断增大，网络模型计算精度不断提高。
本发明的便携式智能数字化寄生虫体外诊断仪，可应用于多种寄生虫的检测，如弓形虫检测；本发明能实现对寄生虫检测试纸的图像采集、处理、定量计算、分析及存储管理等功能，方便使用者使用；本发明通过采用寄生虫浓度检测定量计算网络模型对采集的图像进行处理，能提高检测结果的精度。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (10)

1.一种便携式智能数字化寄生虫体外诊断仪，其特征在于，包括：图像采集模块、主处理器模块、显示模块、无线通信模块和云端，所述主处理器模块和云端中均设置有诊断计算模块；
所述无线通信模块用于建立所述主处理器模块和云端之间的通信连接，所述图像采集模块用于采集插入诊断仪的试纸的图像，所述主处理器模块对所述图像进行预处理，并将预处理后的图像分别传输至所述主处理器模块和云端中的诊断计算模块；
所述诊断计算模块对接收的图像进行处理，计算得到图像对应的寄生虫浓度检测量化值，并将计算结果返回至所述主处理器模块；
所述显示模块用于显示用户信息和寄生虫浓度检测量化结果。
2.根据权利要求1所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，还包括电源管理模块、存储模块、控制模块和客户端；所述控制模块用于实现界面控制选择；所述客户端通过所述无线通信模块与所述主处理器模块和云端均通信连接，可获取寄生虫浓度检测量化结果；
所述客户端为智能手机端或电脑端。
3.根据权利要求3所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述图像采集模块、显示模块、电源管理模块、存储模块、控制模块和无线通信模块均与所述主处理器模块连接；
所述主处理器模块对图像进行的预处理包括：对图像进行标准化裁剪，保留图像中有效识别区域。
4.根据权利要求1-3中任意一项所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述诊断计算模块计算图像对应的寄生虫浓度量化值的方法包括以下步骤：
1)进行寄生虫体外诊断图像数据库的首次构建；
2)训练诊断网络，得到寄生虫浓度检测定量计算网络模型；
3)实时诊断：将接收的图像输入得到的寄生虫浓度检测定量计算网络模型，计算得到寄生虫浓度检测量化结果，并将结果传输至所述客户端和主处理器模块；
4)将得到的寄生虫浓度检测量化结果添加至步骤1)中的数据库中，进行寄生虫体外诊断图像数据库的更新，再利用步骤2)的方法重新训练寄生虫浓度检测定量计算网络模型；
其中，在主处理器模块和云端之间的通信有效时，所述主处理器模块和云端中的诊断计算模块同步运行进行寄生虫浓度量化值的计算，且保持数据同步；
当主处理器模块和云端之间的通信失效时，采用所述主处理器模块中的诊断计算模块进行寄生虫浓度量化值的计算并在显示模块显示处理结果，同时将结果存储于所述存储模块，在无线通信恢复后，将结果通过无线通信模块传输至云端中的诊断计算模块，保持主处理器模块和云端中的诊断计算模块的数据同步，并将结果传输至客户端。
5.根据权利要求4所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述步骤1)具体包括：设定寄生虫浓度检测量化结果表征为1～N的数字，对应每种结果采集M个试纸，记为Xn m，n＝1,…,N；m＝1,…,M；N为大于1的数字，M为大于等于50数字；分别对每个试纸使用所述图像采集模块进行图像采集，记为Yn m，对采集到的图像及对应的寄生虫浓度检测量化结果Zn m传输至云端，完成寄生虫体外诊断图像数据库的首次构建。
6.根据权利要求5所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述步骤2)包括：基于得到的数据Yn m和Zn m，在云端采用域适应深度学习方法对上述数据进行训练，得到寄生虫浓度检测定量计算网络模型，具体包括：
2-1)对图像Yn m进行感兴趣区域提取，并进行尺寸标准化处理，处理后后的图像记为Un m；
2-2)对图像Un m进行归一化，使归一化后的图像Vn m均值为0，方差为1；
2-3)将图像Vn m输入基于IBN的深度网络模型进行训练，得到寄生虫浓度检测定量计算网络模型。
7.根据权利要求6所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述基于IBN的深度网络模型为将实例标准化和批标准化集成为构建模块，再将构建模块嵌入到深度网络中；其中，深度网络为DenseNet、ResNet、ResNeXt或SENet。
8.根据权利要求7所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述基于IBN的深度网络模型为IBN-Net-a网络模型或IBN-Net-b网络模型。
9.根据权利要求8所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述IBN-Net-a网络模型包括依次连接的四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层；其中第一个卷积层的输出的一半通道使用BN层进行标准化，剩余通道使用IN层进行标准化，并使用ReLU函数作为激活函数；其余两个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数；经过三个卷积网络得到的输出再与输入相加并经过ReLU激活函数层后，作为残差块的输出。
10.根据权利要求8所述的便携式智能数字化寄生虫体外诊断仪，其特征在于，所述IBN-Net-b网络模型包括依次连接的由四组残差块，每组残差块结构相同，均包括依次相连的1x1、3x3、1x1的3个卷积层；每个卷积层的输出均使用BN层进行标准化并使用ReLU函数作为激活函数，经过三个卷积网络得到的输出与输入相加后先经过IN层，然后再经过ReLU激活函数层后，作为残差块的输出。
CN201910626452.3A 2019-07-11 2019-07-11 便携式智能数字化寄生虫体外诊断仪 Active CN110456050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910626452.3A CN110456050B (zh) 2019-07-11 2019-07-11 便携式智能数字化寄生虫体外诊断仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910626452.3A CN110456050B (zh) 2019-07-11 2019-07-11 便携式智能数字化寄生虫体外诊断仪

Publications (2)

Publication Number Publication Date
CN110456050A true CN110456050A (zh) 2019-11-15
CN110456050B CN110456050B (zh) 2022-07-19

Family

ID=68482688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910626452.3A Active CN110456050B (zh) 2019-07-11 2019-07-11 便携式智能数字化寄生虫体外诊断仪

Country Status (1)

Country Link
CN (1) CN110456050B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815614A (zh) * 2020-07-17 2020-10-23 中国人民解放军军事科学院军事医学研究院 基于人工智能的寄生虫检测方法、系统及终端设备
CN112147135A (zh) * 2020-09-15 2020-12-29 江苏宜偌维盛生物技术有限公司 体外诊断试剂检测卡比色辅助判读系统
CN112147134A (zh) * 2020-09-15 2020-12-29 江苏宜偌维盛生物技术有限公司 体外诊断试剂半定量辅助判读系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059160A1 (en) * 2003-09-17 2005-03-17 Hansen-H. Tsai Method and apparatus for quantifying a rapid immunochromatographic test
CN1603826A (zh) * 2003-09-29 2005-04-06 艾斯恩科技股份有限公司 快速免疫检验试纸定量机及其定量方法
CN101695128A (zh) * 2009-10-21 2010-04-14 中国农业大学 植物病害远程诊断仪
CN103810377A (zh) * 2014-01-20 2014-05-21 榕盛（苏州）医疗技术有限公司 一种基于app技术和云计算技术的血糖分析系统
CN104237222A (zh) * 2014-09-26 2014-12-24 航天神舟生物科技集团有限公司 一种家庭远程健康咨询服务系统用尿液检测仪
CN105137058A (zh) * 2015-08-13 2015-12-09 张树华 一种免疫及生化检测系统
WO2018194525A1 (en) * 2017-04-18 2018-10-25 Yeditepe Universitesi Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice
CN109272001A (zh) * 2018-09-28 2019-01-25 深圳市飞点健康管理有限公司 尿检识别分类器的构造训练方法、装置及计算机设备
CN109800777A (zh) * 2018-09-21 2019-05-24 上海营阅企业管理服务中心(有限合伙) 一种尿检试纸生理指标自动识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059160A1 (en) * 2003-09-17 2005-03-17 Hansen-H. Tsai Method and apparatus for quantifying a rapid immunochromatographic test
CN1603826A (zh) * 2003-09-29 2005-04-06 艾斯恩科技股份有限公司 快速免疫检验试纸定量机及其定量方法
CN101695128A (zh) * 2009-10-21 2010-04-14 中国农业大学 植物病害远程诊断仪
CN103810377A (zh) * 2014-01-20 2014-05-21 榕盛（苏州）医疗技术有限公司 一种基于app技术和云计算技术的血糖分析系统
CN104237222A (zh) * 2014-09-26 2014-12-24 航天神舟生物科技集团有限公司 一种家庭远程健康咨询服务系统用尿液检测仪
CN105137058A (zh) * 2015-08-13 2015-12-09 张树华 一种免疫及生化检测系统
WO2018194525A1 (en) * 2017-04-18 2018-10-25 Yeditepe Universitesi Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice
CN109800777A (zh) * 2018-09-21 2019-05-24 上海营阅企业管理服务中心(有限合伙) 一种尿检试纸生理指标自动识别方法
CN109272001A (zh) * 2018-09-28 2019-01-25 深圳市飞点健康管理有限公司 尿检识别分类器的构造训练方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严平 等: "维也里试验颜色自动识别方法", 《四川兵工学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815614A (zh) * 2020-07-17 2020-10-23 中国人民解放军军事科学院军事医学研究院 基于人工智能的寄生虫检测方法、系统及终端设备
WO2022012459A1 (zh) * 2020-07-17 2022-01-20 中国人民解放军军事科学院军事医学研究院 基于人工智能的寄生虫检测方法、系统及终端设备
CN112147135A (zh) * 2020-09-15 2020-12-29 江苏宜偌维盛生物技术有限公司 体外诊断试剂检测卡比色辅助判读系统
CN112147134A (zh) * 2020-09-15 2020-12-29 江苏宜偌维盛生物技术有限公司 体外诊断试剂半定量辅助判读系统

Also Published As

Publication number Publication date
CN110456050B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN205665697U (zh) 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统
US20220148191A1 (en) Image segmentation method and apparatus and storage medium
CN112861624A (zh) 一种人体姿态检测方法、系统、存储介质、设备及终端
CN110456050A (zh) 便携式智能数字化寄生虫体外诊断仪
CN111161822A (zh) 医学影像人工智能诊断数据管理系统及其管理方法
CN110731773B (zh) 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN110335668A (zh) 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统
CN110414631A (zh) 基于医学图像的病灶检测方法、模型训练的方法及装置
CN109508755B (zh) 一种基于图像认知的心理测评方法
CN111462146A (zh) 一种基于时空智能体的医学图像多模态配准方法
CN110495888A (zh) 一种基于中医舌、面图像的标准色卡及其应用
CN117122303B (zh) 一种脑网络的预测方法、系统、设备和存储介质
CN109545299A (zh) 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法
CN115661856A (zh) 一种基于Lite-HRNet的自定义康复训练监测与评估方法
CN116110597A (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
CN114550299A (zh) 基于视频的老年人日常生活活动能力评估系统和方法
Wang et al. [Retracted] Student Physical Fitness Test System and Test Data Analysis System Based on Computer Vision
CN117237351A (zh) 一种超声图像分析方法以及相关装置
CN111951950B (zh) 基于深度学习的三维数据医疗分类系统
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
CN111881979B (zh) 多模态数据标注装置及包含程序的计算机可读存储介质
CN110555472B (zh) 基于主动学习的心电信号数据标注方法
Albuquerque et al. Remote Pathological Gait Classification System
CN110660479A (zh) 一种动态医学影像ai训练诊断系统
CN112767404A (zh) 基于分布式生成对抗网络的医学图像分割方法及系统

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