CN110599462B - 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法 - Google Patents

一种基于不平衡局部Fisher判别分析的尿沉渣检测方法 Download PDF

Info

Publication number
CN110599462B
CN110599462B CN201910782936.7A CN201910782936A CN110599462B CN 110599462 B CN110599462 B CN 110599462B CN 201910782936 A CN201910782936 A CN 201910782936A CN 110599462 B CN110599462 B CN 110599462B
Authority
CN
China
Prior art keywords
features
channel
feature
urinary sediment
discriminant analysis
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
CN201910782936.7A
Other languages
English (en)
Other versions
CN110599462A (zh
Inventor
杨万扣
李子煜
孙启明
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910782936.7A priority Critical patent/CN110599462B/zh
Publication of CN110599462A publication Critical patent/CN110599462A/zh
Application granted granted Critical
Publication of CN110599462B publication Critical patent/CN110599462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G01N15/01—
    • G01N2015/012—
    • G01N2015/016—
    • G01N2015/1024—
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于不平衡局部Fisher判别分析的尿沉渣检测方法。首先，对输入尿沉渣有形成分图像提取聚合通道特征。其次，对每个通道使用Haar‑like模板进行通道滤波提取中间层特征。接着，对单个通道的特征进行分组，随机选择若干组的特征进行线性加权组合成一个新的候选特征。然后，考虑到样本分布的不平衡性，提出一种不平衡局部Fisher判别分析方法来进行加权系数的学习。最后，将所有通道的候选特征串联起来形成最后的特征向量，结合基于决策树的Adaboost分类器进行训练，针对不同的尿沉渣有形成分训练不同的检测器。本发明考虑了尿沉渣有形图像的局部信息融合和样本分布的不平衡性，有效的降低了噪声的影响，准确率高，计算速度快，具有十分重要的实用价值。

Description

一种基于不平衡局部Fisher判别分析的尿沉渣检测方法
技术领域
本发明属于检测技术领域，尤其涉及一种基于不平衡局部Fisher判别分析的尿沉渣检测方法。
背景技术
尿沉渣检测是医院常规检测项目之一，对肾脏疾病、泌尿系统疾病和感染性疾病都有重要的诊断和鉴别作用。例如：红细胞增多会提示尿路出血，通过进一步检查红细胞形态可以判断出血的位置；白细胞增多会提示泌尿系统感染；管型增多提示肾小球肾炎、肾小管及肾功能减退等。因此，尿沉渣检查具有非常重要的意义。
尿沉渣检查是指用显微镜对离心后尿液的沉渣物(尿中有形成分)进行检查，是对尿沉渣中的有形成分如红细胞，白细胞，结晶细胞，上皮细胞等进行检测和分类计数，从而为相关的病情的判定提供定量的指标。人工尿沉渣镜检的工作量大，操作繁琐，并且效率低下，容易漏检误检，并且人工镜检依赖于操作者的经验从而很难标准化。因此，标准化和自动化的尿沉渣分析仪可以大大减少病理医生的工作量并且大大提高工作效率，具有十分重要的实用价值。
近年来，基于图像处理尿沉渣检测方法发展较快，有很多有意义的工作出现。基于图像处理的尿沉渣检测方法一般分为三步：图像分割、特征提取以及分类识别。基于图像处理的方法着重于第一步图像分割的研究，图像分割的结果直接影响后续的特征提取和分类识别工作从而影响整个系统检测的准确率。由于尿沉渣显微图像的复杂性，噪声多并且细胞粘连严重，对图像分割提出了很高的要求。
近年来，在图像分割方面有很多有意义的工作出现。Li等人(见参考文献:《基于小波形态学和组合方法的尿沉渣分割新策略》，在《生物医学中的计算机方法和程序》(Li YM,Zeng X P.A new strategy for urinary sediment segmentation based on wavelet,morphology and combination method[J].computer methods and programs inbiomedicine,2006,84(2-3)：162-173))提出一种基于小波变换和形态学滤波的尿沉渣图像分割新策略，首先采用小波变换和形态学滤波进行尿沉渣图像的粗略分割，然后对图像中局部模糊的有形成分使用自适应阈值方法和边缘检测完成进一步精确地分割，该方法在一定程度上解决了模糊的有形成分的分割问题。赵少华(见参考文献：赵少华.尿沉渣图像中红白细胞的分割与识别[D]：[硕士学位论文].西安：西安科技大学，2013)提出了三次组合分割方法来进行红白细胞的分割，对尿沉渣图像进行三层处理，顶层使用自适应Canny边缘检测，中层使用Otsu方法进行阈值分割，底层使用基于梯度图像的分割，叠加各层的结果得到最终的分割结果，此外针对于细胞粘连的情况，提出了一种基于递归瓶颈法的粘连细胞分割方法，一定程度上解决了因细胞粘连造成的图像分割效果不理想的问题。Xian等人(见参考文献：《基于水平集和主动轮廓模型的尿沉渣图像分割》，载《生物信息学与生物医学工程国际会议》(Xian J,ShengdongNie.Urine Sediment Image Segmentation Basedon Level Set and Mumford-Shah Model[C].International Conference onBioinformatics&Biomedical Engineering.Wuhan,2007.1028-1030))提出使用水平集分割方法结合主动轮廓模型来进行尿沉渣图像的分割，基于水平集进行图像分割需要依赖于图像的梯度差异，而尿沉渣图像中血细胞和其背景的梯度差异并不明显，文中提出的分割方法结合主动轮廓模型，不需要过多的依赖于图像的梯度差异便可以取得不错的分割效果。孙惠杰等人(见参考文献：孙惠杰,邓廷权,李艳超.改进的分水岭图像分割方法[J].哈尔滨工程大学学报,2014,35(7)：857-864)提出了一种基于粒子群和区域生长的分水岭分割方法，方法根据香农熵来构建目标函数，使用粒子群方法来进行目标函数的全局寻优从而实现图像分割，一定程度上解决了分水岭分割方法的过分割问题。
边缘检测等技术在尿沉渣检测领域也被广泛应用，Canny方法在处理被高斯白噪声污染的图像上优于其他如Sobel、Prewitt等边缘检测算子，但Canny算子对于细胞图像进行边缘检测容易产生伪边缘和噪声，许宏科等人(见参考文献：许宏科,秦严严,陈会茹.一种基于改进Canny的边缘检测方法[J].红外技术,2014,36(3)：210-214)提出了一种改进的Canny边缘检测算子，对于灰度图像使用自适应平滑滤波结合Otsu方法自适应的生成高低阈值，取得良好的效果。刘睿(见参考文献：刘睿.尿沉渣图像分割与识别方法研究[D]：[硕士学位论文].重庆：重庆大学，2006)针对于尿沉渣有形成分分割困难速度慢等问题，提出基于Canny算子与分水岭分割法的自适应尿沉渣图像分割方法，该方法首先采用Canny算子结合形态学方法对图像进行粗分割，然后使用图像组合增强方法进行尿沉渣图像的增强，利用Canny算子计算掩膜矩阵作为精确地标记，最后结合分水岭分割获得最终的分割结果。
尿沉渣有形成分包含多种细胞，Hough变换常被用于细胞的检测，Cao G等人(见参考文献：《检测尿液显微照片中的红细胞》，载《2009年第3届生物信息学与生物医学工程国际会议》(Cao G,Zhong C,Li L,et al.Detection of red blood cell in urinemicrograph[C].2009 3rd International Conference on Bioinformatics andBiomedical Engineering.IEEE,2009.1-4))提出使用改进的索贝尔算子来进行图像分割，然后采用霍夫变换来检测红细胞。王可佳(见参考文献：王可佳.Hough变换在显微细胞图像分割中的应用[D]：[硕士学位论文].内蒙古：内蒙古师范大学,2007)提出了一种改进的Hough变换方法用来胸水显微细胞图像的分割，针对于图像中细胞的规则多为圆和椭圆这一特点，将圆作为椭圆的一种特殊情况来处理，使得改进的方法可以同时检测圆和椭圆，具有较高的检测率。
基于图像处理的尿沉渣检测方法，尿沉渣显微图像的复杂性使得图像分割很难得到一个理想的效果，从而直接影响着后续的特征提取和分类过程，导致整个检测过程的效果不理想。此外图像分割后提取出的特征过于简单，特征表达能力不强，这也是影响检测性能的一个重要因素。以上两点是近些年运用图像处理方法进行尿沉渣检测的瓶颈所在。Dollar等人(见参考文献:《用于对象检测的快速特征金字塔》，载《国际模式分析与机器智能期刊》(Dollar P,Appel R,Belongie S,et al.Fast Feature Pyramids for ObjectDetection.[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2014,36(8)：1532-1545)提出了一种聚合通道特征，本发明就是在聚合通道特征的基础上，进行手工特征的设计，考虑聚合通道特征局部信息之间的融合，特征的相关性、高维性以及样本分布的特征，结合尿沉渣图像提出了一种不平衡局部Fisher判别分析的的尿沉渣检测方法，可以很好地避免图像处理方法因分割效果不理想和特征表达能力弱带来的最终检测效果不好的问题，针对不同的尿沉渣有形成分设计不同的检测器，充分利用尿沉渣有形成分的特征信息，提高特征的表达能力，提高了检测的精度。
发明内容
发明目的：为了克服现有技术存在的上述问题，本发明提供了一种具有很好地抗噪特性及较高准确率和检测速度的基于不平衡局部Fisher判别分析的尿沉渣检测方法。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，从样本分布和流形学习角度出发，提出将随机子空间投影嵌入到聚合通道特征框架中，具体步骤如下：
(1)特征提取阶段：使用分辨率为2592*2048的尿沉渣图像作为训练样本。首先对训练样本提取聚合通道特征，在此基础上，对每一个通道使用设计好的Haar-like模板进行通道滤波提取出中间层特征。以单一通道为例，将提取出的中间层特征随机分成若干组，使用不平衡局部Fisher判别分析方法，计算每组中间层特征的加权系数，对每组中间层特征进行线性加权，构成每组新的候选特征，将若干组的候选特征进行串联，得到单一通道的新的候选特征。对所有通道的候选特征进行向量的串联，构成最后的特征向量。由于尿沉渣具有不同的有形成分(如红细胞和白细胞)，针对不同的成分，使用同样特征提取操作，但参数设置有所不同；
(2)分类阶段：采用软级联的Adaboost方法训练分类器。训练多个弱分类器，每个弱分类器是深度为2的决策树，将多个弱分类器级联，得到最终的分类结果。
进一步的，所述步骤(1)中，提取的聚合通道特征包括十个通道，分别是LUV色彩空间、梯度幅值以及六个方向的梯度方向直方图，对提取出的十个通道做平滑处理和降采样操作，即为最后提取的聚合通道特征。
所述步骤(1)中，中间层特征的提取过程如图3所示。在对原图提取完十个聚合通道特征之后，首先对每个聚合通道的特征进行降采样来降低特征的尺寸，然后对每个降采样后的通道特征，使用设计好的Haar-like模板提取中间层特征，设计的Haar-like模板如图2所示。
所述步骤(1)中，以单一通道为例，将提取出的中间层特征随机分成若干组，每组进行线性加权构成新的候选特征，每组内选取单一特征的数量为2～5个。
所述步骤(1)中，考虑样本分布的不平衡问题是指训练样本中正负样本分布不平衡，负样本的数量要远大于正样本的数量。
所述步骤(1)中，从流形学习角度出发，提出一种不平衡局部Fisher判别分析的方法用于加权系数的学习，提出的不平衡局部Fisher判别分析方法如下：
以单一通道为例，假设将中间层特征分为若干组，每组内的单一特征数量为N，fi为第i个单一特征的平均值，则第m组中间层特征的新候选特征f'm可以由N个单一特征进行线性加权组合构，公式如下：
Figure GDA0003969772750000041
其中，wi为特征均值fi对应的权重系数，N＝2～5。由上式可知，所要解决的问题是如何找到最优的投影向量W，向量中每个元素为权重系数wi，使得投影后的特征具有最强的区分力。这个问题可以看作是将高维空间数据投影到低维空间，使样本的可分离性更强。考虑到尿沉渣检测任务中负样本的数量远远大于正样本的数量，具有样本分布不平衡的特点，为了学习得到嵌入原始空间的低维结构，在局部Fisher判别分析的基础上，在类内拉普拉斯散度Jw中引入权重δi,j来刻画样本分布的不平衡性，提出了不平衡局部Fisher判别分析(Imbalance Local Fisher Discriminant Analysis,ILFDA)方法。
采用此方法进行投影矩阵的学习，设输入的N个训练样本为每组中间层特征的N个单一特征的平均值fi，i＝1,2,...,N。设共有k种类别，分别为c1,c2,...ck，每类样本的数量为ni，则有
Figure GDA0003969772750000051
设投影矩阵为W，ILFDA的一个目标是在子空间内最大化类间拉普拉斯散度Jb，即：
Figure GDA0003969772750000052
其中，
Figure GDA0003969772750000053
为刻画样本的多流形结构系数：
Figure GDA0003969772750000054
Figure GDA0003969772750000055
其中，l∈{1,2,…,k}表示第i个特征与第j个特征属于共同的类别l，σ2是一个可调整的系数。
ILFDA的另一个目标是在子空间内最小化类内拉布拉斯散度Jw，即：
Figure GDA0003969772750000056
权重δi,j刻画了样本分布的不平衡性，
Figure GDA0003969772750000057
刻画样本的多流形结构：
Figure GDA0003969772750000058
Figure GDA0003969772750000059
其中，
Figure GDA0003969772750000061
ILFDA的目标函数为：
Figure GDA0003969772750000062
对于上式求最值问题，可以引入拉格朗日乘子法，因为要求的W是一维列向量，所以上式的分子分母均为标量，令WTSwW＝1：
Figure GDA0003969772750000063
对Sw进行对角化，加入一个微型对角阵保障其是非奇异的，将上式代入目标函数：
Figure GDA0003969772750000064
Figure GDA0003969772750000065
通过上式可知，求使目标函数最大化的WILFDA等价于求λ的最大值，由式22可知λ是
Figure GDA0003969772750000066
矩阵的特征值，W是其对应的特征向量。因此通过计算
Figure GDA0003969772750000067
的最大特征值λmax，然后求其对应的特征向量即可求得WILFDA，即为式14中所求的权重系数矩阵W。图4为ILFDA进行权重学习的流程图，对训练样本提取Haar-like模板子集特征，对所求特征按通道求均值，最后使用ILFDA方法计算权重矩阵W。
所述步骤(1)中，利用ILFDA方法得到的权重矩阵W对每组单一特征进行加权，得到每一组的新的候选特征。
所述步骤(1)中，将每个通道得到的每组新的候选特征进行通道内串联，然后通道之间进行向量的串联构成最后的特征向量，通道之间的串联是通道间首尾相连。
所述步骤(1)中，针对不同的尿沉渣有形成分，为针对红细胞和白细胞分别训练各自的检测器，特征提取的流程相同，训练方法相同，参数设置有所不同。
所述步骤(2)中，采用软级联的Adaboost方法训练分类器，每个弱分类器是深度为2的决策树。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
1、将传统的基于图像处理的尿沉渣检测方法进行改变，即将图像分割+特征提取+分类识别任务转变成检测任务，可以很好的避免图像处理方法因分割效果不理想和特征表达能力弱带来的最终检测效果不好的问题；
2、充分利用尿沉渣有形成分的特征信息，考虑了局部信息之间的融合，特征的相关性、高维性以及样本分布的不平衡性，进行特征的设计，提高特征的表达能力，具有较高的准确率和较低的误检率。本发明在检测复杂的尿沉渣显微图像时仍具备较高的准确率和较强的鲁棒性。
附图说明
图1是本发明的流程图；
图2是设计好的Haar-like模板；
图3是中间层特征提取流程图；
图4是ILFDA进行权重学习的流程图；
图5是数据集中的一个样本，大小是2592*2048；
图6是特征提取的流程图；
图7是可视化聚合通道特征十个通道；
图8是带有标签的显微图像；
图9是基于不平衡局部Fisher判别分析的红细胞检测器检测红细胞结果图；
图10是带有标签的显微图像；
图11是基于不平衡局部Fisher判别分析的的白细胞检测器检测白细胞结果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明提出一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，如图1所示，对输入尿沉渣有形成分图像提取聚合通道特征，在此基础上，对每个通道使用设计好的Haar-like模板进行通道滤波提取中间层特征。以单一通道为例，对提取出的中间层特征，随机选择若干组，每组若干个单一特征进行线性加权组合构成一个新的候选特征，考虑到样本分布的不平衡性，从流形学习角度出发，提出一种不平衡局部Fisher判别分析方法来进行加权系数的学习。所有通道进行上述相同的操作，每个通道最后得到的新的候选特征串联起来形成最后的特征向量，结合基于决策树的Adaboost分类器进行训练，针对不同的尿沉渣有形成分训练不同的检测器。
提取的聚合通道特征包括十个通道，分别是LUV色彩空间、梯度幅值以及六个方向的梯度方向直方图，对提取出的十个通道做平滑处理和降采样操作，即为最后提取的聚合通道特征。图7可视化了十个通道。
对每一个通道使用设计好的Haar-like模板进行通道滤波，使用7个设计好的Haar-like模板，设计好的Harr-like模板特征如图2所示，由一系列Harr-like边缘特征和Harr-like对角线特征组成。在对原图提取完聚合通道特征之后，使用上述模板进行中间层特征的提取。图中一个小的正方形和特征图中的一个特征点相匹配，每个模板中白色正方形框的权重和为1，蓝色正方形框的权重和为-1。
中间层特征的提取过程如图3所示，图3以Haar-like模板子集中的模板T4为例，首先使用该模板在降采样后的通道上进行滤波操作，随后进行向量化。
以单一通道为例，将提取出的中间层特征随机分成若干组，每组进行线性加权构成新的候选特征，每组内选取单一特征的数量为2～5个。
考虑样本分布的不平衡问题是指训练样本中正负样本分布不平衡，负样本的数量要远大于正样本的数量。从流形学习角度出发，提出一种不平衡局部Fisher判别分析的方法用于加权系数的学习。提出的不平衡局部Fisher判别分析方法如下：
以单一通道为例，对提取出的十个通道的中间层特征求均值特征fi，随机选取n个单一特征进行线性加权组合构成新的候选特征f'j，公式如下：
Figure GDA0003969772750000081
其中wi为特征fi对应的权重系数，W为权重系数矩阵，上式中n＝2～5。由上式可知，所要解决的问题是如何找到最优的投影向量(向量中每个元素为权重系数)，使得投影后的特征f'j具有最强的区分力。这个问题可以看做是将高维空间数据投影到低维空间，使样本的可分离性更强。考虑到尿沉渣检测任务中负样本的数量远远大于正样本的数量，具有样本分布不平衡的特点，为了学习得到嵌入原始空间的低维结构，在局部Fisher判别分析的基础上，在类内拉普拉斯散度Jw中引入权重δi,j来刻画样本分布的不平衡性，提出了不平衡局部Fisher判别分析(Imbalance Local Fisher Discriminant Analysis,ILFDA)方法。采用此方法进行投影矩阵的学习，设有训练样本xi∈Rd(i＝1,2,...,N)，类别为c1,c2,...ck，每类样本的数量为ni,
Figure GDA0003969772750000091
N为总样本数，k为总类别数。设投影矩阵为W，ILFDA的一个目标是在子空间内最大化类间拉普拉斯散度Jb，即：
Figure GDA0003969772750000092
其中
Figure GDA0003969772750000093
刻画样本的多流形结构：
Figure GDA0003969772750000094
Figure GDA0003969772750000095
Figure GDA0003969772750000096
Figure GDA0003969772750000097
ILFDA的另一个目标是在子空间内最小化类内拉布拉斯散度Jw，即：
Figure GDA0003969772750000098
权重δi,j刻画了样本分布的不平衡性，因为仅讨论二分类问题，
Figure GDA0003969772750000099
使得权重δi,j的和为1，
Figure GDA00039697727500000910
刻画样本的多流形结构：
Figure GDA00039697727500000911
Figure GDA0003969772750000101
ILFDA的目标函数为：
Figure GDA0003969772750000102
对于上式求最值问题，可以引入拉格朗日乘子法，因为要求的W是一维列向量，所以上式的分子分母均为标量，令WTSwW＝1：
Figure GDA0003969772750000103
对Sw进行对角化，加入一个微型对角阵保证其是非奇异的，将上式代入目标函数：
Figure GDA0003969772750000104
Figure GDA0003969772750000105
通过上式可知，求使目标函数最大化的WILFDA等价于求λ的最大值，由式37可知λ是
Figure GDA0003969772750000106
矩阵的特征值，W是其对应的特征向量。因此通过计算
Figure GDA0003969772750000107
的最大特征值λmax，然后求其对应的特征向量即可求得WILFDA(适用于样本所有通道)，所求的WILFDA即为(25)中待求的权重系数矩阵。
图4为ILFDA进行权重学习的流程图，对训练样本提取Haar-like模板子集特征，对所求特征按通道求均值，最后使用ILFDA方法计算权重矩阵W。
每个通道得到的新的候选特征进行通道内串联，然后通道之间进行向量的串联构成最后的特征向量，通道之间的串联是通道间首尾相连。
针对不同的尿沉渣有形成分，为针对红细胞和白细胞分别训练各自的检测器，特征提取的流程相同，训练方法相同，参数设置有所不同。
采用软级联的Adaboost方法训练分类器，每个弱分类器是深度为2的决策树。
为了验证所提出方法的有效性，在自制数据集上，进行多组对比实验，将Han等人(见参考文献：《自动细胞检测与分割》，载《2017年医学影像：分子，结构和功能成像中的生物医学应用》(Han L,Le T H N,Savvides M.An automatic cells detection andsegmentation[C].Medical Imaging 2017:Biomedical Applications in Molecular,Structural,and Functional Imaging.International Society for Optics andPhotonics,2017,10137:101370W.))的工作(将其方法简称为ACDS)拿来作对比，他们的工作也是关于细胞的检测，虽然数据集有所不同，但是检测目标具有极大的相似性并且本课题的数据集直观上看更具有挑战性。实验结果如下表1和表2所示。可视化结果如图8、图9、图10、图11所示，从图中可以看到，红细胞检测器在检测到红细胞的同时可以有效的避免误检白细胞和噪声，白细胞检测器表现了同样的优越性能。
表1红细胞检测结果
Precision Recall F1 score
HOG+SVM 80.13 87.68 83.74
ACDS 98.43 94.99 96.68
ACF+ 98.92 96.98 97.94
ILFDA 99.05 97.48 98.26
表2白细胞检测结果
Precision Recall F1 score
HOG+SVM 85.14 89.12 87.09
ACDS 99.12 99.12 99.12
ACF+ 99.41 99.35 99.38
ILFDA 99.50 99.36 99.43
结论：由以上实验结果可知，提出的基于不平衡局部线性判别分析的尿沉渣检测方法在特征上具有更强的表达能力，检测效果最好，说明了本方法的有效性。

Claims (5)

1.一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，其特征在于，该方法包括步骤如下：
(1)获取尿沉渣图像作为训练样本，首先对训练样本提取聚合通道特征，在此基础上，对每一个通道使用Haar-like模板进行通道滤波提取出中间层特征；
(2)对每个单一通道中间层特征随机分成若干组，使用不平衡局部Fisher判别分析方法，计算每组中间层特征的加权系数，对每组中间层特征进行线性加权，构成每组新的候选特征，将若干组的候选特征进行串联，得到单一通道的新的候选特征，对所有通道的候选特征进行向量的串联，构成最后的特征向量；
(3)采用软级联的Adaboost方法训练对上述尿沉渣图像对应的特征向量进行训练，设置训练参数和目标，得到最终的分类结果；
所述步骤(2)中，不平衡局部Fisher判别分析方法如下：
(2.1)对于每个通道，假设将中间层特征分为若干组，每组内的单一特征数量为N，fi为第i个单一特征的平均值，则第m组中间层特征的新候选特征fm'可以由N个单一特征进行线性加权组合构，公式如下：
Figure FDA0003907032200000011
(2.2)设输入的训练样本为每组中间层特征的N个单一特征的平均值为fi，i＝1,2,...,N，设共有k种类别，分别为c1,c2,...ck，每类样本的数量为ni，则有
Figure FDA0003907032200000012
设投影矩阵为W，其中一个目标是在子空间内最大化类间拉普拉斯散度Jb，即：
Figure FDA0003907032200000013
其中，
Figure FDA0003907032200000014
为刻画样本的多流形结构系数：
Figure FDA0003907032200000015
Figure FDA0003907032200000021
其中，l∈{1,2,…,k}表示第i个特征与第j个特征属于共同的类别l，σ2是一个可调整的系数；
(2.3)另一个目标是在子空间内最小化类内拉布拉斯散度Jw，即：
Figure FDA0003907032200000022
权重δi,j刻画了样本分布的不平衡性，
Figure FDA0003907032200000023
刻画样本的多流形结构：
Figure FDA0003907032200000024
Figure FDA0003907032200000025
其中，
Figure FDA0003907032200000026
设目标函数为：
Figure FDA0003907032200000027
对于上式求最值问题，引入拉格朗日乘子法，令WTSwW＝1：
Figure FDA0003907032200000028
对Sw进行对角化，加入一个微型对角阵保障其是非奇异的，将上式代入目标函数：
Figure FDA0003907032200000031
Figure FDA0003907032200000032
通过上式可知，求使目标函数最大化的WILFDA等价于求λ的最大值，由式(22)可知λ是
Figure FDA0003907032200000033
矩阵的特征值，W是其对应的特征向量，因此通过计算
Figure FDA0003907032200000034
的最大特征值λmax，然后求其对应的特征向量即可求得WILFDA，即为式(14)中所求的权重系数矩阵W。
2.根据权利要求1所述的一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，其特征在于，所述步骤(1)中，提取的聚合通道特征包括十个通道，分别是LUV色彩空间、梯度幅值以及六个方向的梯度方向直方图，对提取出的十个通道做平滑处理，即为最后提取的聚合通道特征。
3.根据权利要求1或2所述的一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，其特征在于，所述步骤(1)中，在对原图提取完十个聚合通道特征之后，首先对每个聚合通道的特征进行降采样来降低特征的尺寸，然后对每个降采样后的通道特征，使用Haar-like模板提取中间层特征。
4.根据权利要求1或2所述的一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，其特征在于，所述步骤(1)中，将提取出的中间层特征随机分成若干组，每组进行线性加权构成新的候选特征，每组内选取单一特征的数量为2～5个。
5.根据权利要求1或2所述的一种基于不平衡局部Fisher判别分析的尿沉渣检测方法，其特征在于，所述步骤(3)中，针对尿沉渣有形成分红细胞和白细胞分别训练各自的检测器，特征提取的流程相同，训练方法相同，参数设置有所不同。
CN201910782936.7A 2019-08-23 2019-08-23 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法 Active CN110599462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910782936.7A CN110599462B (zh) 2019-08-23 2019-08-23 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910782936.7A CN110599462B (zh) 2019-08-23 2019-08-23 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法

Publications (2)

Publication Number Publication Date
CN110599462A CN110599462A (zh) 2019-12-20
CN110599462B true CN110599462B (zh) 2023-04-07

Family

ID=68855520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910782936.7A Active CN110599462B (zh) 2019-08-23 2019-08-23 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法

Country Status (1)

Country Link
CN (1) CN110599462B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063795B (zh) * 2022-08-17 2023-01-24 西南民族大学 一种尿沉渣分类检测方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201614474D0 (en) * 2016-08-24 2016-10-05 Univ Of Newcastle Upon Tyne The Methods of identifying microsatellite instability
CN108414734A (zh) * 2018-01-09 2018-08-17 东南大学 一种基于acf的尿沉渣检测方法
CN108776809A (zh) * 2018-05-30 2018-11-09 华东理工大学 一种基于Fisher核的双重采样集成分类模型

Also Published As

Publication number Publication date
CN110599462A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
JP7465914B2 (ja) 生体粒子の分類のシステム及び方法
Waghmare et al. Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system
Genovese et al. Acute lymphoblastic leukemia detection based on adaptive unsharpening and deep learning
Ramesh et al. Isolation and two-step classification of normal white blood cells in peripheral blood smears
Shirazi et al. Efficient leukocyte segmentation and recognition in peripheral blood image
Ferrari et al. Bacterial colony counting by convolutional neural networks
Shirazi et al. Extreme learning machine based microscopic red blood cells classification
Sajeena et al. Automated cervical cancer detection through RGVF segmentation and SVM classification
CN105760858A (zh) 一种基于类Haar中间层滤波特征的行人检测方法及装置
Esteves et al. Gradient convergence filters and a phase congruency approach for in vivo cell nuclei detection
MoradiAmin et al. Enhanced recognition of acute lymphoblastic leukemia cells in microscopic images based on feature reduction using principle component analysis
CN112784767A (zh) 基于白细胞显微图像的细胞实例分割算法
Sahlol et al. Elephant herd optimization with neural networks: a case study on acute lymphoblastic leukemia diagnosis
CN110599462B (zh) 一种基于不平衡局部Fisher判别分析的尿沉渣检测方法
Hao et al. Vp-detector: A 3d multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms
Putzu et al. Investigation of different classification models to determine the presence of leukemia in peripheral blood image
Shirazi et al. Accurate microscopic red blood cell image enhancement and segmentation
Ruberto et al. A leucocytes count system from blood smear images.
Neghina et al. Automatic detection of cervical cells in Pap-smear images using polar transform and k-means segmentation
Noor et al. Classification of white blood cells based on surf feature
Gim et al. A novel framework for white blood cell segmentation based on stepwise rules and morphological features
Shirazi et al. Efficient enhancement and segmentation of leukocytes from microscopic images
EP1301894B1 (en) Multi-neural net imaging apparatus and method
CN108414734A (zh) 一种基于acf的尿沉渣检测方法
Shirazi et al. A novel method for scanning electron microscope image segmentation and its application to blood cell analysis

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