CN110827276B - 基于深度学习的血液透析器空心纤维通透状态识别方法 - Google Patents

Abstract

本发明提供一种基于深度学习的血液透析器空心纤维通透状态识别方法，包括如下步骤：获取透析器端面显微图像；对端面显微图像进行缩放、增强、拼接等预处理；利用深度学习分割网络检测出图像中单个空心纤维截面信息作为ROI区域；通过特征学习与分类深度学习网络，将检测到截面信息与空心纤维图像数据库中的单个空心纤维进行比较，识别出空心纤维堵塞、通透、变形等通透状态；对空心纤维总数与通透纤维数目进行统计；将统计数目与图像信息结合进行显示与存储。本发明可实现血液透析器中空心纤维通透性状态的自动检测，解决人工镜检时存在的耗时、耗力、误差大、主观因素强等问题，提高了检测的速度与准确性。

Description

基于深度学习的血液透析器空心纤维通透状态识别方法

技术领域

本发明属于人工智能技术领域，具体涉及一种基于深度学习的血液透析器空心纤维通透状态识别方法。

背景技术

空心纤维血液透析器主要根据半透膜的Danane平衡原理，通过空心纤维束透析膜实现膜内血液与膜外透析液成分的渗透、交换，清除血液中毒性物质，达到血液净化的目的，是临床上使用最多、效果最好的一类透析器。由上述血液净化过程可知，空心纤维束透析膜是空心纤维血液透析器最核心的部件，其主要技术性能指标包括清除率和血室预冲量，二者均与透析膜有效面积有关。透析膜有效面积与空心纤维内径、有效长度、通透纤维根数成正比，血室容积也按成束纤维的通透根数计算。然而，在血液透析器实际制作时，将聚氨酯胶注入壳体和中空纤维膜内，再将预留部分切掉的过程，不可避免的造成空心纤维膜堵塞，使血液透析器有效膜面积减少，影响透析器的清除率和血室预冲量。因此生产厂家对透析器剖面检测时，一般都会制定相应标准如要求剖面表面光滑，保证一定的有效面积，闭孔率小于1%等。

目前，国内外血液透析器生产厂家检测透析器纤维是否堵塞，通常以操作人员通过显微镜或显微图像的主观观测为依据，如专利号为CN204731152U公开的一种血液透析器中空纤维膜通透性检测系统，其通过工业相机及光源装置，可采集血液透析器端面图像信息并输送至计算机显示器上进行显示，首先，该检测过程没有涉及到如何从图像中获取纤维通透状态信息并进行准确的判识方面的内容，而且该检测过程耗时长、效率低、主观观测误差大，且易因疲劳检测、个人疏忽、重复观察等因素，增加检测错误率与时间。

发明内容

本发明的目的是提供一种基于深度学习的血液透析器空心纤维通透状态识别方法，该识别方法首先对端面显微图像进行预处理和ROI区域截面信息提取，然后通过特征学习与分类深度学习网络，将检测到的单个空心纤维截面信息依次与空心纤维图像数据库中的单个空心纤维进行比较，识别出具有堵塞、通透、变形等状态的空心纤维，从而实现血液透析器中空心纤维通透性状态的自动检测。

为了达到上述目的，本发明所采用的技术方案是：基于深度学习的血液透析器空心纤维通透状态识别方法，包括以下步骤：

步骤一、获取透析器的端面显微图像；

步骤二、对端面显微图像进行预处理，预处理包括但不仅限于缩放、增强和拼接中的任意一种或多种；

步骤三、利用深度学习网络与ROI定位提取单元对步骤二中得到的经过预处理的图像进行检测以检测出经过预处理的图像中的单个空心纤维截面信息；

步骤四、通过特征学习与分类深度学习网络，将检测到的单个空心纤维截面信息分别与空心纤维图像数据库进行比较，识别出空心纤维的通透状态；

步骤五、对空心纤维总数与通透纤维数目进行统计；

步骤六、将步骤五中得到的空心纤维总数与通透纤维数目结合图像信息进行显示与存储。

进一步的，所述步骤三中的深度学习网络包括但不仅限于基于RGB颜色系统的深度卷积网络分割模型和基于LAB颜色系统的深度卷积网络分割模型中的任意一种或两种。

进一步的，所述步骤四中的空心纤维的通透状态包括但不仅限于堵塞、通透和变形。

进一步的，所述步骤四中的空心纤维图像数据库包括但不仅限于通透空心纤维数据库、堵塞空心纤维数据库和变形空心纤维数据库。

进一步的，所述步骤四中的空心纤维图像数据库中的数据集图像包括但不仅限于空心纤维原始图像、旋转1-359度的空心纤维图像和不同尺度的空心纤维图像。

与现有技术相比，本发明的有益效果是：本发明能够准确识别出具有堵塞、通透、变形等通透状态的空心纤维，实现血液透析器中空心纤维通透性状态的自动检测，解决人工观测时存在的耗时、耗力、误差大、主观因素强等问题。

附图说明

图1是一种基于深度学习的血液透析器空心纤维通透状态识别方法的流程示意图；

图 2 是通透空心纤维、堵塞空心纤维和变形空心纤维的图像标记示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

基于深度学习的血液透析器空心纤维通透状态识别方法，如图1所示，包括以下步骤：

步骤一、获取透析器的端面显微图像；

步骤二、对端面显微图像进行预处理，预处理包括但不仅限于缩放、增强和拼接中的任意一种或多种；

步骤三、利用深度学习网络与ROI定位提取单元对步骤二中得到的经过预处理的图像进行检测以检测出经过预处理的图像中的单个空心纤维截面信息；

步骤四、通过特征学习与分类深度学习网络，将检测到的单个空心纤维截面信息分别与空心纤维图像数据库进行比较，识别出空心纤维的通透状态；

步骤五、对空心纤维总数与通透纤维数目进行统计；

步骤六、将步骤五中得到的空心纤维总数与通透纤维数目结合图像信息进行显示与存储。

显示与存储过程具体如下：空心纤维总数与通透纤维数目用于确定血液透析器是否满足所依据的透析器剖面检测标准，此处以剖面检测标准为闭孔率为例，即若（空心纤维总数-通透纤维数目）/ 空心纤维总数 > 闭孔率检测标准，将该血液透析器的截面图像归为不合格类；反之，将血液透析器的截面图像归为合格类。将所有截面图像中通透空心纤维、堵塞空心纤维和变形空心纤维分别以不同字母加数字进行标记显示和存储，如通透空心纤维以T_i表示、堵塞空心纤维以D_ j表示，变形空心纤维以B_k表示，其中i,j,k= 1,2,3……，标记位置可在空心纤维中心，亦可在空心纤维边缘部位，其图像信息标记示意图如图2所示，通过该图像可直观的判断出血液透析器的截面图像的合格情况。

进一步优化本方案，所述步骤三中的深度学习网络包括但不仅限于基于RGB颜色系统的深度卷积网络分割模型和基于LAB颜色系统的深度卷积网络分割模型中的任意一种或两种；本实施例中具体采用的为结合RGB和LAB颜色系统纹理特征的深度卷积神经网络，该网络将血液透析器的端面图像分割问题视为多分类问题，执行时，首先将图像在RGB和LAB颜色系统中进行分解，利用分解后的空心纤维管、纤维管内中空区域与背景区域、纤维管内因杂质堵塞区域、纤维管内聚氨酯胶注堵塞区域、变形空心纤维管颜色分量信息作为图像分割任务分类的依据，最后通过深度卷积网络训练数据以实现不同种类信息图像的分割。

进一步优化本方案，所述步骤四中的空心纤维的通透状态包括但不仅限于堵塞、通透和变形，相对应的，所述步骤四中的空心纤维图像数据库包括但不仅限于通透空心纤维数据库、堵塞空心纤维数据库和变形空心纤维数据库；其中，堵塞空心纤维数据库包括杂质堵塞、胶注堵塞两类数据库，变形空心纤维数据库包括空心纤维管破裂、形变两类数据库，上述的数据库均通过有经验人员对空心纤维图像纤维信息进行手工标注完成。

进一步优化本方案，所述步骤四中的空心纤维图像数据库中的数据集图像包括但不仅限于空心纤维原始图像、旋转1-359度的空心纤维图像和不同尺度的空心纤维图像；其原因为，空心纤维管端面图像在图像中表现为圆形，具有旋转不变形，因此选择旋转的方式来实现过采样，以增加数据较少的数据库学习特性，具体实施方法为：首先获取通透空心纤维数据库，堵塞空心纤维数据库、变形空心纤维数据库内数据数目，如分别有M、N、P幅图像，M明显大于N、P；其次，根据该数目确定堵塞空心纤维数据库、变形空心纤维数据库内过采样数量，本实施例选择旋转方式过采样，堵塞空心纤维数据库内每幅图像旋转过采样次数为ceil [(M-N)/N]-1，旋转角度分别为round{360*(1: ceil [(M-N)/N]-1)/ ceil [(M-N)/N]}，变形空心纤维数据库内每幅图像旋转过采样次数为ceil [(M-P)/P]-1，旋转角度分别为round{360*(1: ceil [(M-P)/P]-1)/ ceil [(M-P)/P]}，本实施例中，M=6000、N=732、P=204，由上述过采样方式，堵塞空心纤维数据库、变形空心纤维数据库内每幅图像分别旋转过采样7次和28次，旋转角度分别为round{360*(1:7)/8}、round{360*(1:28)/29}，最终堵塞空心纤维数据库、变形空心纤维数据库内数据量可达5856、5916幅图像，本发明采用的过采样方法，可解决通透空心纤维数据库、堵塞空心纤维数据库、变形空心纤维数据库间数据不平衡的问题，增加数量较少数据库内纤维图像的学习特征。

进一步优化本方案，步骤四中的特征学习与分类深度学习网络采用卷积神经网络，将检测到的单个空心纤维截面信息分别与空心纤维图像数据库中的单个空心纤维进行比较，从而识别出具有堵塞、通透、变形等状态的空心纤维。

进一步优化本方案，对步骤五中空心纤维总数与通透纤维数目进行统计，确定血液透析器是否满足所依据透析器剖面检测标准，本实施例对某医疗器械公司生产的血液透析器纤维管进行检测，此血液透析器空心纤维总根数为11800，实施例所依据的剖面检测标准为闭孔率不大于1%，也即若堵塞纤维管或变形纤维管总数大于118，通透纤维数目小于11682，即认定血液透析器检测不合格，反之合格。

本发明能够准确识别出空心纤维堵塞、通透、变形等状态，实现血液透析器中空心纤维通透性状态的自动检测，解决人工观测时存在的耗时、耗力、误差大、主观因素强等问题，因此，本发明在生物医学等相关类型图像如细胞图像识别中都有积极的作用和广泛的应用前景。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.基于深度学习的血液透析器空心纤维通透状态识别方法，其特征在于，包括以下步骤：

步骤一、获取透析器的端面显微图像；

步骤二、对端面显微图像进行预处理，预处理包括但不仅限于缩放、增强和拼接中的任意一种或多种；

步骤三、利用深度学习网络与ROI定位提取单元对步骤二中得到的经过预处理的图像进行检测以检测出经过预处理的图像中的单个空心纤维截面信息；

步骤四、通过特征学习与分类深度学习网络，将检测到的单个空心纤维截面信息分别与空心纤维图像数据库进行比较，识别出空心纤维的通透状态；

步骤五、对空心纤维总数与通透纤维数目进行统计；

步骤六、将步骤五中得到的空心纤维总数与通透纤维数目结合图像信息进行显示与存储。

2.根据权利要求1所述的基于深度学习的血液透析器空心纤维通透状态识别方法，其特征在于：所述步骤三中的深度学习网络包括但不仅限于基于RGB颜色系统的深度卷积网络分割模型和基于LAB颜色系统的深度卷积网络分割模型中的任意一种或两种。

3.根据权利要求1所述的基于深度学习的血液透析器空心纤维通透状态识别方法，其特征在于：所述步骤四中的空心纤维的通透状态包括但不仅限于堵塞、通透和变形。

4.根据权利要求3所述的基于深度学习的血液透析器空心纤维通透状态识别方法，其特征在于：所述步骤四中的空心纤维图像数据库包括但不仅限于通透空心纤维数据库、堵塞空心纤维数据库和变形空心纤维数据库。

5.根据权利要求4所述的基于深度学习的血液透析器空心纤维通透状态识别方法，其特征在于：所述步骤四中的空心纤维图像数据库中的数据集图像包括但不仅限于空心纤维原始图像、旋转1-359度的空心纤维图像和不同尺度的空心纤维图像。

Images