CN110796661B - 基于卷积神经网络的真菌显微图像分割检测方法及系统 - Google Patents
基于卷积神经网络的真菌显微图像分割检测方法及系统 Download PDFInfo
- Publication number
- CN110796661B CN110796661B CN201810866451.1A CN201810866451A CN110796661B CN 110796661 B CN110796661 B CN 110796661B CN 201810866451 A CN201810866451 A CN 201810866451A CN 110796661 B CN110796661 B CN 110796661B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- positive sample
- training data
- pathogenic
- 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.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000002538 fungal effect Effects 0.000 title claims abstract description 16
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000001717 pathogenic effect Effects 0.000 claims abstract description 76
- 241000233866 Fungi Species 0.000 claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 4
- 206010017533 Fungal infection Diseases 0.000 description 3
- 208000031888 Mycoses Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的真菌显微图像分割检测方法及系统,包括:将若干真菌显微图像分为正样本与负样本,同时对正样本中的菌丝进行标记得到标记后的正样本;将未标记的负样本和标记后的正样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;构建深度卷积神经网络模型,读取训练数据集生成用于分割检测的分割模型,以采用分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在待检测真菌显微图像中的轮廓描绘出来。通过本发明不仅对真菌显微图像进行分类,而且能够将致病相的菌丝结构从图像中分割并精准定位。
Description
技术领域
本发明属于医疗图像处理领域,更具体地,涉及一种基于卷积神经网络的真菌显微图像分割检测方法及系统。
背景技术
真菌感染在我国已是一类严重影响到人们身体健康的重大疾病,医疗单位对真菌感染诊疗能力亟待提高,特别是急需采用新的科技方法准确、高效地对病原菌进行检测。
目前真菌检测的主要技术包括直接镜检、真菌培养以及培养检查。其中直接镜检作为经典的真菌检验方法之一,具有阳性率高,报告快的优势。医护人员需要在显微镜的视场中对于样本进行观察和判断,如果在显微图像中发现有致病相的菌丝成分,即可诊断为真菌感染。但此方法要求操作者需要有丰富的检验经验,对菌量少、背景成分复杂的检验标本容易出现漏报、误报。相对于目前已有的自动生化检测设备相比,人工真菌镜检有着人员劳动强度大,结果主观判断程度高的缺点。
随着卷积神经网络的出现和深度神经网络的完善,近些年来人工智能飞速发展,将人工智能的相关技术运用到医疗领域里,针对致病相菌丝研发一种基于卷积神经网络的分割与检测方法是十分有意义的。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于卷积神经网络的真菌显微图像分割检测方法及系统,由此解决传统人工真菌镜检存在的人员劳动强度大,结果主观判断程度高的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于卷积神经网络的真菌显微图像分割检测方法,包括:
(1)将若干真菌显微图像分为正样本与负样本,同时对所述正样本中的菌丝进行标记得到标记后的正样本,其中,所述正样本为包含致病相菌丝结构的图像,所述负样本图像为完全不包含致病相菌丝结构的图像;
(2)将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;
(3)构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。
优选地,步骤(1)包括:
(1.1)将包含致病相菌丝结构的真菌显微图像作为正样本,将完全不包含致病相菌丝结构的真菌显微图像作为负样本;
(1.2)将所述正样本中的每张图像中的致病相部分标记出来,得到标记好的正样本图像,并且将标记好的正样本图像作为原始未被标记的正样本图像的掩码图。
优选地,步骤(2)包括:
(2.1)对于负样本,提取原始负样本图像的前景区域得到负样本前景图像,并在所述负样本前景图像中随机取若干个点,以取出的点为中心,在原始负样本图像中截取第一目标大小的图片,得到与取出的点数相同个数的第一负样本训练数据;
(2.2)对于正样本,在标记得到的掩码图中随机选取若干个点,将取出的掩码图中点的坐标映射到原始正样本图像上,以映射点为中心,在原始正样本图像中截取第二目标大小的图片,得到与映射点数相同个数的正样本训练数据;同时,提取原始正样本图像的正样本前景图像,将所述正样本前景图像的前景点作为集合A,将掩码图中标记的致病相前景点作为集合B,集合A和集合B的差集作为集合C,并在集合C中随机取若干个点,以从C中选取的点为中心,在原始正样本图像中截取第三目标大小的图片,得到与从C中选取点数相同个数的第二负样本训练数据,其中,由所述第一负样本训练数据、所述正样本训练数据及所述第二负样本训练数据组成所述训练数据集。
优选地,所述构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,包括:
构建深度卷积神经网络模型model,将所述训练数据集中得到的样本作为模型model的输入,经过反复迭代,测试所述训练样本集的损失和分类准确率,调整神经网络的权值,最后得到一个收敛的深度卷积神经网络模型model-1;
将model-1产生的预测热值图和原始标记的掩码图对比,热值图中识别为阳性而掩码图中为阴性的作为假阳性结构;
对于每张原始图像的假阳性结构中随机取若干个点,以取出的点为中心,在对应的原始图像中截取第四目标大小的图片,生成假阳性训练数据集;
读取训练好的模型model-1,将由所述第一负样本训练数据、所述正样本训练数据、所述第二负样本训练数据及所述假阳性训练数据按照预设比例读取并进行训练,得到最终收敛的分割模型。
优选地,所述采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相,包括:
将所述待检测真菌显微图像进行缩小,并进行补零操作;
读取训练好的所述分割模型,设置滑动窗,由所述滑动窗对补零后的待检测真菌显微图像逐像素扫描,并使用所述分割模型对每个像素的类别进行预测,得到所述待检测真菌显微图像各个像素点类别的预测概率分布图,其中,所述预测概率分布图中第一数值区域表示为致病相的概率较大,第二数值区域表示为非致病相概率较大,所述第一数值区域对应的概率大于所述第二数值区域对应的概率。
优选地,所述用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来,包括:
将所述预测概率分布图中的概率值大于第一预设概率的部分作为致病相结构,以得到识别出来的目标掩码图;
去除所述目标掩码图中的噪点和概率值小于第二预设概率的区域,得到所述目标掩码图中连通域的轮廓;
利用所述目标掩码图生成热值图,并在所述热值图中用第一颜色表示致病相,第二颜色表示非致病相;
将所述目标掩码图中的轮廓和所述待检测真菌显微图像融合,得到分割和识别真菌致病相的结果图。
按照本发明的另一方面,提供了一种基于卷积神经网络的真菌显微图像分割检测系统,包括:
样本制作及标记模块,用于将若干真菌显微图像分为正样本与负样本,同时对所述正样本中的菌丝进行标记得到标记后的正样本,其中,所述正样本为包含致病相菌丝结构的图像,所述负样本图像为完全不包含致病相菌丝结构的图像;
训练数据集生成模块,用于将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;
模型训练模块,用于构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。
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)和传统模式识别的方式比较,不需要进行复杂的预处理过程和特征提取的操作。
(2)在生成训练数据集的过程中,对于负样本做了相应的增强操作,利于训练模型的时候收敛。
(3)和已有的检测方法相比,不仅仅对真菌显微图像进行分类,而且能够将致病相的菌丝结构从图像中分割并精准定位。
(4)从结果来看,本发明为医生提供了客观准确的诊断信息,并且以精确的定位帮助医生准确找到致病相所在,大大提高了医生对病情进行诊断和分析的效率。
附图说明
图1是本发明实施例提供的一种基于卷积神经网络的真菌显微图像分割检测方法的流程示意图;
图2是本发明实施例提供的一种生成进行深度学习所需的训练数据的流程示意图;
图3是本发明实施例提供的一种采用深度卷积神经网络模型生成热值图,并获得菌丝分割效果的流程图。
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。
本发明提出的图像分析方法不是为了在皮肤疾病的诊断中完全替代医护人员,而是为了通过基于卷积神经网络分析方法为医生提供客观准确的评判建议,从而提高医护人员的工作效率,得到更加准确的诊断结果。
本发明的说明书和权利要求书中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
如图1所示是本发明实施例提供的一种基于卷积神经网络的真菌显微图像分割检测方法的流程示意图,在图1所示的方法中,包括:
(1)将若干真菌显微图像分为正样本与负样本,同时对正样本中的菌丝进行标记得到标记后的正样本,其中,正样本为包含致病相菌丝结构的图像,负样本图像为完全不包含致病相菌丝结构的图像;
在一个可选的实施方式中,步骤(1)包括:
(1.1)将包含致病相菌丝结构的真菌显微图像作为正样本,将完全不包含致病相菌丝结构的真菌显微图像作为负样本;
(1.2)将正样本中的每张图像中的致病相部分标记出来,得到标记好的正样本图像,并且将标记好的正样本图像作为原始未被标记的正样本图像的掩码图。
其中,可以优选使用amira软件中的画笔功能,手动将每张图中的致病相的部分准确地描红之后高亮出来,得到标记好的正样本图像,标记的图作为原始图的掩码图也保存在正样本所在文件夹下,如图2中的mask。
(2)将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;
由于使用深度卷积神经网络时需要同时读取大量数据,而原始图尺寸较大,计算机的资源可能不足。因此需要将原始图像裁剪为更小尺寸的图片作为训练数据。由于所采用的网络模型是一个典型的分类网络,所以训练数据是归属于正样本还是负样本是由其中心点的属性决定。既以有特定属性的某个像素点为中心,截取目标尺寸的区域作为训练数据。因此,在正样本的原始数据可生成正样本训练数据和负样本训练数据,而负样本原始数据只能生成负样本数据。
对于负样本,由于负样本原始数据中存在大片的黑色背景区域,如果训练数据的中心取在这些区域上,训练出的模型会对于背景区域敏感,而对于较亮的非阳性结构识别效果不佳,因此截取训练数据时应尽量将中心放在原始图像中较亮的前景区域上。
对于正样本,正样本中由于同时含有阳性结构和非阳性结构,因此正样本原始图像中要同时生成正负训练数据;
具体地,如图2所示,在一个可选的实施方式中,步骤(2)包括:
(2.1)对于负样本,提取原始负样本图像的前景区域得到负样本前景图像,并在负样本前景图像中随机取若干个点,以取出的点为中心,在原始负样本图像中截取第一目标大小的图片,得到与取出的点数相同个数的第一负样本训练数据;
其中,可以使用Otsu方法提取图像中前景。第一目标大小可以根据实际需要进行确定。
(2.2)对于正样本,在标记得到的掩码图中随机选取若干个点,将取出的掩码图中点的坐标映射到原始正样本图像上,以映射点为中心,在原始正样本图像中截取第二目标大小的图片,得到与映射点数相同个数的正样本训练数据;同时,提取原始正样本图像的正样本前景图像,将正样本前景图像的前景点作为集合A,将掩码图中标记的致病相前景点作为集合B,集合A和集合B的差集作为集合C,并在集合C中随机取若干个点,以从C中选取的点为中心,在原始正样本图像中截取第三目标大小的图片,得到与从C中选取点数相同个数的第二负样本训练数据,其中,由第一负样本训练数据、正样本训练数据及第二负样本训练数据组成训练数据集。
其中,集合C所代表的意义是正原始图像中的非阳性结构的点集。
其中,第二目标大小及第三目标大小可以根据实际需要进行确定。
(3)构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。
作为一种可选的实施方式,可以Inception-V3为网络的主体构建深度卷积神经网络模型,读取训练数据生成用于分割检测的分割模型。具体采用何种神经网络模型,本发明实施例不作唯一性限定。
作为一种可选的实施方式,构建深度卷积神经网络模型,读取训练数据集生成用于分割检测的分割模型,可以通过以下方式实现:
构建深度卷积神经网络模型model,将训练数据集中得到的样本作为模型model的输入,经过反复迭代,测试训练样本集的损失和分类准确率,调整神经网络的权值,最后得到一个收敛的深度卷积神经网络模型model-1;
将model-1产生的预测热值图和原始标记的掩码图对比,热值图中识别为阳性而掩码图中为阴性的作为假阳性结构;
对于每张原始图像的假阳性结构中随机取若干个点,以取出的点为中心,在对应的原始图像中截取第四目标大小的图片,生成假阳性训练数据集;
其中,第四目标大小可以根据实际需要进行确定。
读取训练好的模型model-1,将由第一负样本训练数据、正样本训练数据、第二负样本训练数据及假阳性训练数据按照预设比例读取并进行训练,得到最终收敛的分割模型。
其中,预设比例可以根据实际需要进行确定,优选地,正样本训练数据、负样本训练数据和假阳性训练数据按照2:1:1的比例读取并进行训练,其中,负样本训练数据包括在样本分割部分得到的正样本对应的负样本训练数据及负样本对应的负样本训练数据之和。
作为一种可选的实施方式,采用分割模型识别待检测真菌显微图像中的致病相和非致病相,可以通过以下方式实现:
将待检测真菌显微图像进行缩小,并进行补零操作;
优选地,可以将图像外边沿整体向外扩充149个像素,并将这些扩充的像素的灰度值用0进行填充,以完成补零操作。
读取训练好的分割模型,设置滑动窗,由滑动窗对补零后的待检测真菌显微图像逐像素扫描,并使用分割模型对每个像素的类别进行预测,由于补零后滑动窗的中心始终落在原始图像上,得到待检测真菌显微图像各个像素点类别的预测概率分布图,其中,预测概率分布图中第一数值区域表示为致病相的概率较大,第二数值区域表示为非致病相概率较大,第一数值区域对应的概率大于第二数值区域对应的概率。
其中,滑动窗大小可以根据实际需要确定。
作为一种可选的实施方式,如图3所示,用热值图表示全局的真菌显微图像,并且将致病相结构在待检测真菌显微图像中的轮廓描绘出来,可以通过以下方式实现:
将预测概率分布图中的概率值大于第一预设概率的部分作为致病相结构,以得到识别出来的目标掩码图;
去除目标掩码图中的噪点和概率值小于第二预设概率的区域,得到目标掩码图中连通域的轮廓;
利用目标掩码图生成热值图,并在热值图中用第一颜色表示致病相,第二颜色表示非致病相;
将目标掩码图中的轮廓和待检测真菌显微图像融合,得到分割和识别真菌致病相的结果图。
其中,第一预设概率和第二预设概率可以根据实际需要确定。
本发明还提供了一种基于卷积神经网络的真菌显微图像分割检测系统,包括:
样本制作及标记模块,用于将若干真菌显微图像分为正样本与负样本,同时对正样本中的菌丝进行标记得到标记后的正样本,其中,正样本为包含致病相菌丝结构的图像,负样本图像为完全不包含致病相菌丝结构的图像;
训练数据集生成模块,用于将未标记的正样本、标记后的正样本和负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;
模型训练模块,用于构建深度卷积神经网络模型,读取训练数据集生成用于分割检测的分割模型,以采用分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在待检测真菌显微图像中的轮廓描绘出来。
其中,各模块的具体实施方式可参照方法实施例中的描述,本发明实施例将不再复述。
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 (5)
1.一种基于卷积神经网络的真菌显微图像分割检测方法,其特征在于,包括:
(1)将若干真菌显微图像分为正样本与负样本,同时对所述正样本中的菌丝进行标记得到标记后的正样本,其中,所述正样本为包含致病相菌丝结构的图像,所述负样本图像为完全不包含致病相菌丝结构的图像;包括:
(1.1)将包含致病相菌丝结构的真菌显微图像作为正样本,将完全不包含致病相菌丝结构的真菌显微图像作为负样本;
(1.2)将所述正样本中的每张图像中的致病相部分标记出来,得到标记好的正样本图像,并且将标记好的正样本图像作为原始未被标记的正样本图像的掩码图;
(2)将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;包括:
(2.1)对于负样本,提取原始负样本图像的前景区域得到负样本前景图像,并在所述负样本前景图像中随机取若干个点,以取出的点为中心,在原始负样本图像中截取第一目标大小的图片,得到与取出的点数相同个数的第一负样本训练数据;
(2.2)对于正样本,在标记得到的掩码图中随机选取若干个点,将取出的掩码图中点的坐标映射到原始正样本图像上,以映射点为中心,在原始正样本图像中截取第二目标大小的图片,得到与映射点数相同个数的正样本训练数据;同时,提取原始正样本图像的正样本前景图像,将所述正样本前景图像的前景点作为集合A,将掩码图中标记的致病相前景点作为集合B,集合A和集合B的差集作为集合C,并在集合C中随机取若干个点,以从C中选取的点为中心,在原始正样本图像中截取第三目标大小的图片,得到与从C中选取点数相同个数的第二负样本训练数据,其中,由所述第一负样本训练数据、所述正样本训练数据及所述第二负样本训练数据组成所述训练数据集;
(3)构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。
2.根据权利要求1所述的方法,其特征在于,所述构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,包括:
构建深度卷积神经网络模型model,将所述训练数据集中得到的样本作为模型model的输入,经过反复迭代,测试训练样本集的损失和分类准确率,调整神经网络的权值,最后得到一个收敛的深度卷积神经网络模型model-1;
将model-1产生的预测热值图和原始标记的掩码图对比,热值图中识别为阳性而掩码图中为阴性的作为假阳性结构;
对于每张原始图像的假阳性结构中随机取若干个点,以取出的点为中心,在对应的原始图像中截取第四目标大小的图片,生成假阳性训练数据集;
读取训练好的模型model-1,将由所述第一负样本训练数据、所述正样本训练数据、所述第二负样本训练数据及所述假阳性训练数据按照预设比例读取并进行训练,得到最终收敛的分割模型。
3.根据权利要求2所述的方法,其特征在于,所述采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相,包括:
将所述待检测真菌显微图像进行缩小,并进行补零操作;
读取训练好的所述分割模型,设置滑动窗,由所述滑动窗对补零后的待检测真菌显微图像逐像素扫描,并使用所述分割模型对每个像素的类别进行预测,得到所述待检测真菌显微图像各个像素点类别的预测概率分布图,其中,所述预测概率分布图中第一数值区域表示为致病相的概率较大,第二数值区域表示为非致病相概率较大,所述第一数值区域对应的概率大于所述第二数值区域对应的概率。
4.根据权利要求3所述的方法,其特征在于,所述用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来,包括:
将所述预测概率分布图中的概率值大于第一预设概率的部分作为致病相结构,以得到识别出来的目标掩码图;
去除所述目标掩码图中的噪点和概率值小于第二预设概率的区域,得到所述目标掩码图中连通域的轮廓;
利用所述目标掩码图生成热值图,并在所述热值图中用第一颜色表示致病相,第二颜色表示非致病相;
将所述目标掩码图中的轮廓和所述待检测真菌显微图像融合,得到分割和识别真菌致病相的结果图。
5.一种基于卷积神经网络的真菌显微图像分割检测系统,其特征在于,包括:
样本制作及标记模块,用于将若干真菌显微图像分为正样本与负样本,同时对所述正样本中的菌丝进行标记得到标记后的正样本,其中,所述正样本为包含致病相菌丝结构的图像,所述负样本图像为完全不包含致病相菌丝结构的图像;将包含致病相菌丝结构的真菌显微图像作为正样本,将完全不包含致病相菌丝结构的真菌显微图像作为负样本;将所述正样本中的每张图像中的致病相部分标记出来,得到标记好的正样本图像,并且将标记好的正样本图像作为原始未被标记的正样本图像的掩码图;
训练数据集生成模块,用于将未标记的正样本、标记后的正样本和所述负样本进行切片和样本增强操作,生成可供进行深度学习的训练数据集;对于负样本,提取原始负样本图像的前景区域得到负样本前景图像,并在所述负样本前景图像中随机取若干个点,以取出的点为中心,在原始负样本图像中截取第一目标大小的图片,得到与取出的点数相同个数的第一负样本训练数据;对于正样本,在标记得到的掩码图中随机选取若干个点,将取出的掩码图中点的坐标映射到原始正样本图像上,以映射点为中心,在原始正样本图像中截取第二目标大小的图片,得到与映射点数相同个数的正样本训练数据;同时,提取原始正样本图像的正样本前景图像,将所述正样本前景图像的前景点作为集合A,将掩码图中标记的致病相前景点作为集合B,集合A和集合B的差集作为集合C,并在集合C中随机取若干个点,以从C中选取的点为中心,在原始正样本图像中截取第三目标大小的图片,得到与从C中选取点数相同个数的第二负样本训练数据,其中,由所述第一负样本训练数据、所述正样本训练数据及所述第二负样本训练数据组成所述训练数据集;
模型训练模块,用于构建深度卷积神经网络模型,读取所述训练数据集生成用于分割检测的分割模型,以采用所述分割模型识别待检测真菌显微图像中的致病相和非致病相后,用热值图表示全局的真菌显微图像,并且将致病相结构在所述待检测真菌显微图像中的轮廓描绘出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866451.1A CN110796661B (zh) | 2018-08-01 | 2018-08-01 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866451.1A CN110796661B (zh) | 2018-08-01 | 2018-08-01 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796661A CN110796661A (zh) | 2020-02-14 |
CN110796661B true CN110796661B (zh) | 2022-05-31 |
Family
ID=69425109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810866451.1A Expired - Fee Related CN110796661B (zh) | 2018-08-01 | 2018-08-01 | 基于卷积神经网络的真菌显微图像分割检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796661B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754457B (zh) * | 2020-05-15 | 2023-08-18 | 中山大学 | 一种基于角膜共聚焦图像的菌丝筛查系统 |
CN111598900B (zh) * | 2020-05-18 | 2022-08-09 | 腾讯医疗健康(深圳)有限公司 | 一种图像区域分割模型训练方法、分割方法和装置 |
CN112101575B (zh) * | 2020-11-04 | 2021-04-30 | 江苏集萃微纳自动化系统与装备技术研究所有限公司 | 一种用于细胞注射的显微操作平台三维定位方法 |
CN112633370B (zh) * | 2020-12-22 | 2022-01-14 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
CN113205054A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 菌丝显微图像识别方法和系统、设备、可读介质 |
CN113887737B (zh) * | 2021-09-23 | 2024-05-17 | 北京工商大学 | 一种基于机器学习的样本集自动生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN106780498A (zh) * | 2016-11-30 | 2017-05-31 | 南京信息工程大学 | 基于逐像素点深度卷积网络上皮和基质组织自动分割方法 |
CN107099577A (zh) * | 2017-03-06 | 2017-08-29 | 华南理工大学 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
CN108171232A (zh) * | 2017-11-15 | 2018-06-15 | 中山大学 | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10303979B2 (en) * | 2016-11-16 | 2019-05-28 | Phenomic Ai Inc. | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
-
2018
- 2018-08-01 CN CN201810866451.1A patent/CN110796661B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN106780498A (zh) * | 2016-11-30 | 2017-05-31 | 南京信息工程大学 | 基于逐像素点深度卷积网络上皮和基质组织自动分割方法 |
CN107099577A (zh) * | 2017-03-06 | 2017-08-29 | 华南理工大学 | 基于Hough圆检测和深度卷积网络的阴道分泌物湿片念珠菌检测方法 |
CN108171232A (zh) * | 2017-11-15 | 2018-06-15 | 中山大学 | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 |
Non-Patent Citations (2)
Title |
---|
"Large-scale localization of touching somas from 3D images using density-peak clustering";Shenghua Cheng et al.;《BMC Bioinformatics》;20161231;第1-12页 * |
"白带显微图像中霉菌自动识别及清洁度判定的研究";郝如茜;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20180215;第E060-150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110796661A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN109903284B (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112380900A (zh) | 基于深度学习的子宫颈液基细胞数字图像分类方法及系统 | |
JP2023512560A (ja) | 機械学習アルゴリズムを訓練し、患者のプライバシーを維持するための連合学習システム | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
EP3140778B1 (en) | Method and apparatus for image scoring and analysis | |
CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
CN113628199B (zh) | 病理图片染色组织区域检测方法、检测系统及预后状态分析系统 | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
CN113205052A (zh) | 基于残差深度网络的孢子芽孢识别方法、系统及介质 | |
CN116682109A (zh) | 一种病理显微图像的分析方法、装置、设备及存储介质 | |
Abrol et al. | An automated segmentation of leukocytes using modified watershed algorithm on peripheral blood smear images | |
CN114187480A (zh) | 一种基于深度学习的骨髓象细胞影像图检测分类方法及其系统 | |
CN114170415A (zh) | 基于组织病理图像深度域适应的tmb分类方法及系统 | |
Guachi-Guachi et al. | Convolutional neural networks applied to microtomy: Identifying the trimming-end cutting routine on paraffin-embedded tissue blocks | |
CN117496276B (zh) | 肺癌细胞形态学分析、识别方法及计算机可读存储介质 | |
Aulia et al. | A Novel Digitized Microscopic Images of ZN-Stained Sputum Smear and Its Classification Based on IUATLD Grades |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220531 |