CN111797786A - 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 - Google Patents
用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111797786A CN111797786A CN202010657828.XA CN202010657828A CN111797786A CN 111797786 A CN111797786 A CN 111797786A CN 202010657828 A CN202010657828 A CN 202010657828A CN 111797786 A CN111797786 A CN 111797786A
- Authority
- CN
- China
- Prior art keywords
- biological sample
- image
- score
- physical
- neural network
- 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
Links
- 239000012472 biological sample Substances 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000338 in vitro Methods 0.000 title claims abstract description 23
- 230000001575 pathological effect Effects 0.000 claims abstract description 54
- 230000000704 physical effect Effects 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims description 56
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 244000000010 microbial pathogen Species 0.000 claims description 6
- 244000045947 parasite Species 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 46
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 241000193830 Bacillus <bacterium> Species 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 201000008827 tuberculosis Diseases 0.000 description 4
- 244000005700 microbiome Species 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 210000003701 histiocyte Anatomy 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- 208000030507 AIDS Diseases 0.000 description 1
- 241000606161 Chlamydia Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000204031 Mycoplasma Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 102000029797 Prion Human genes 0.000 description 1
- 108091000054 Prion Proteins 0.000 description 1
- 241000606701 Rickettsia Species 0.000 description 1
- 241000589970 Spirochaetales Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- KSCQDDRPFHTIRL-UHFFFAOYSA-N auramine O Chemical compound [H+].[Cl-].C1=CC(N(C)C)=CC=C1C(=N)C1=CC=C(N(C)C)C=C1 KSCQDDRPFHTIRL-UHFFFAOYSA-N 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 244000000013 helminth Species 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 210000001236 prokaryotic cell Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000004916 vomit Anatomy 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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
- 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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明的实施例公开了一种用于离体生物样本的检测方法、计算机设备和计算机可读存储介质。所公开的检测方法包括:获得离体生物样本的图像;分析所述图像中离体生物样本中的生物的第一外观形态以判断所述离体生物样本的物理或病理性质;分析所述图像中离体生物样本中的生物的第二外观形态以判断所述离体生物样本的物理或病理性质;输出所述离体生物样本的物理或病理性质检测结果。根据检测结果所得的分数,依据分数将结果判定为阳性、高度可疑、可疑及阴性四种结果。本发明实施例所提供的检测方法提高各类离体生物样本的物理或病理性质检测诊断结果的准确率,通过对样本进行四种级别的分类,有效降低诊断误诊率。
Description
技术领域
本发明涉及一种检测方法,尤其涉及一种用于离体生物样本的检测方法及四 分类、计算机设备和计算机可读存储介质。
背景技术
对于各种因病原微生物等导致的传染病而言,及时、快速、无遗漏的对患者 进行诊断是非常必要的。
以结核病为例,结核病比艾滋病和疟疾造成的死亡还要多,早期的发现对结 核病的治疗有着重要的意义。
结核病的主要检测手段是涂片染色镜检,涂片经染色后,由检测人员在光学 显微镜下观察染色涂片进行诊断,这种人工检测方法速度慢,费力费时,对于检 测人员除专业要求外,还需要极大的耐心与毅力,特别是镜检对其视力伤害极大, 从而造成疲劳诊断失误发生。
为此,随着AI技术在医学领域的广泛推广和使用,当前也有结合显微镜使 用的显微镜智能扫描系统。申请人在工作中发现,已有的此类系统进行识别时, 主要是通过神经网络识别检查视野中的阳性标本,会出现同一个视野中明明有很 多阳性菌却未被识别与标注出来,造成漏诊情况,同时会误标相似的杂质,造成 误标情况。
发明内容
在本发明的一个方面,提供了一种用于离体生物样本的检测方法,包括:获 得离体生物样本的图像;分析所述图像中离体生物样本中的生物的第一外观形态 以判断所述离体生物样本的物理或病理性质;分析所述图像中离体生物样本中的 生物的第二外观形态以判断所述离体生物样本的物理或病理性质;输出所述离体 生物样本的物理或病理性质检测结果。
在一些实施例中,分析所述图像中离体生物样本中的生物的第一外观形态以 判断所述离体生物样本的物理或病理性质,包括:将所述图像输入到预训练的神 经网络中,所述神经网络包括输入层、隐含层和输出层,所述神经网络的输出层 输出对应所述离体生物样本的不同物理或病理性质的多个评分,以最高评分对应 的物理或病理性质作为离体生物样本的物理或病理性质。
在一些实施例中,本发明的方法还包括通过样本图像对神经网络进行训练以 形成所述预训练的神经网络的步骤,用于训练的样本图像具有阳性和可疑两类标 注,所述神经网络的输出层被构造为在预设评分范围内的分数进行分类,以评分 ≥95%为最优方案并认定为阳性,以评分<95%、≥75%为最优方案认定为高度可 疑,以评分<75%、≥50%为最优方案认定为可疑;评分范围不对应阳性、可疑、 高度可疑的评分对应的病理性质为阴性。
在一些实施例中,所述神经网络的输出层被构造为在预设评分范围内的分数 进行分类,其中最优方案为以评分≥95%认定为阳性,以评分<95%、≥75%认定 为高度可疑,以评分<75%、≥50%认定为可疑;次优方案为以评分≥80%认定为 阳性,以评分<80%、≥60%认定为高度可疑,以评分<60%、≥40%认定为可疑; 优选方案为以评分≥75%认定为阳性,以评分<75%、≥55%认定为高度可疑,以 评分<55%、≥35%认定为可疑。
在一些实施例中,所述神经网络包括第一神经网络模块、第二神经网络模块、 分类器,其中第一神经网络模块为Darknet-53网络,第二神经网络模块包括5 个交替出现的卷积层、ReLU层、池化层、BN+LeakyReLU层和卷积层,所述分类 器采用逻辑回归分类器。
在一些实施例中,分析所述图像中离体生物样本中的生物的第二外观形态以 判断所述离体生物样本的物理或病理性质,包括:将图像从RGB图像空间投影到 HSV颜色空间,获取图像的色调参数信息,将色调参数信息与预设的包括了不同 色调参数与物理或病理性质的对应关系的色调特征模板相比较,判断所述离体生 物样本的物理或病理性质。
在一些实施例中,分析所述图像中离体生物样本中的生物的第二外观形态以 判断所述离体生物样本的物理或病理性质,包括:获得图像中的生物的几何参数 信息,将几何参数信息与预设的包括了不同几何参数与物理或病理性质的对应关 系的几何特征模板相比较,判断所述离体生物样本的物理或病理性质。
在一些实施例中,获得离体生物样本的图像,包括获得染色后的离体生物样 本的生物显微镜下的图像。
在一些实施例中,所述离体生物样本包括病原微生物和/或组织细胞和/或寄 生虫和/或寄生虫卵等。
在本发明的另一方面,提供了一种计算机设备,包括:处理器;存储器,用 于存储计算机程序;当所述计算机程序被处理器执行,使得所述处理器实现如前 述实施例任一所述的检测方法。
本发明实施例提供的技术方案,至少部分地具有如下技术进步:
通过结合使用神经网络对生物样本图像的图像学形态进行物理或病理性质 判断和生物样本的色调、几何大小长短等进行物理或病理性质判断,对诸如病原 微生物、组织细胞等离体生物样本的物理或病理性质进行多特征智能识别,实现 基于显微镜下对病原微生物、组织细胞等外观特征进行自动识别为符合(阳性)、 高度疑似、疑似及不符合(阴性)等分类,从而提高了预测精准度,有效降低筛 查失误及使用成本。
附图说明
图1为本发明实施例检测方法的流程图;
图2为本发明实施例检测方法的抽象模块图;
图3为本发明实施例检测方法所用神经网络的结构图,其中图3-A显示了神 经网络的框架,图3-B显示了神经网络中第一神经网络模块的结构示意图,图 3-C显示了神经网络中第二神经网络模块的结构示意图;
图4显示了计算机设备的结构示意图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公 开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所 描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本 公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其 他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域 内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以 及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成 部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵 盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。 “连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可 以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅 用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也 可能相应地改变。
为了保持本公开实施例的以下说明清楚且简明,本公开省略了已知功能和已 知部件的详细说明。
在本发明的实施例中,离体指的是从动物或人体中将目标生物分离到体外环 境,无论是通过手术或取样或呕吐物等进行的分离;生物样本泛指病原微生物或 组织细胞,病原微生物包括但不限于:非细胞型微生物,如:主要包括病毒和朊 粒等;原核细胞型微生物,如:细菌、立克次体、衣原体、支原体、螺旋体等; 真核细胞型微生物,如:包括真菌、原虫、寄生虫(原虫、蠕虫、医学昆虫)及 其虫卵等。组织细胞包括但不限于:组织切片及各种细胞。
在本发明的实施例中,图像可以通过各种医学图像采集装置获取。例如对于 各种传染病的检测,可以通过显微镜成像的方法获得生物样本的显微图像。当然 在其它的应用场合,图像还可以是通过超声设备、X线设备、核磁共振设备、核 医学设备、医用光学设备以及热成像设备等,本公开在此不作限定。
在本发明的实施例中,图像可以为二维图像,也可以为三维图像。图像可以 为灰度图像或二值化图像,也可以为彩色图像。
例如,在本发明的一些实施例中,图像是通过生物显微镜下的离体生物样本 的图像。
参考图1、2所示,本发明的实施例提供了一种用于离体生物样本的检测方 法,包括下述步骤:
S1:获得离体生物样本的图像;
S2:分析所述图像中离体生物样本中的生物的第一外观形态以判断所述离体 生物样本的物理或病理性质;
S3:分析所述图像中离体生物样本中的生物的第二外观形态以判断所述离体 生物样本的物理或病理性质;
S4:输出所述离体生物样本的物理或病理性质检测结果。
在步骤S01中,所述图像可以是原始未经染色的生物样本的图像,也可以是 经染色后的生物样本。
在一些实施例中,结合临床、实验等需求,所述图像是经染色处理的生物样 本图像。
例如,以结核杆菌为例,其可以是萎-尼氏抗酸染色(在显微镜下结核杆菌 被染色成红色,其它非结核杆菌染色蓝色)、金胺O荧光抗酸染色(显镜微下结 核杆菌被染成金黄色荧光,其它非结核杆菌为无色或黑背景),以便在图像中具 有更好的可辨识性。
在一些实施例中,生物样本的图像的分辨率可以根据需要进行适当处理,例 如分辨率可以是416*416或256*256等。
容易理解,图像可以是未染色的生物显微镜下的图像。
在一些实施例中,分析所述图像中离体生物样本中的生物的第一外观形态以 判断所述离体生物样本的物理或病理性质,包括:将所述图像输入到预训练的神 经网络中,所述神经网络包括输入层、隐含层和输出层,所述神经网络的输出层 输出对应所述离体生物样本的不同物理或病理性质的多个评分,以最高评分对应 的物理或病理性质作为离体生物样本的物理或病理性质。
如本领域技术人员所知,神经网络可以是卷积、池化、全连接、残差、激励、 正则化、张量拼接等一个或多个功能层中的连接,每个功能层所要执行的功能为 本领域技术人员所知悉。卷积层可以用于执行卷积操作,提取输入的图像(例如, 尺寸为227×227)的特征信息以得到特征图feature map(例如,尺寸为13×13); 池化层可以对输入的图像进行池化操作,例如最大值合并(max-pooling)方法, 均值池化(mean-pooling)方法等;激活层通过激活函数引入非线性因素,例如采 用性修正单元(ReLU、Leaky-ReLU、P-ReLU、R-ReLU)函数、S型函数(Sigmoid 函数)或双曲正切函数(tanh函数)等。全连接层用于将卷积输出的特征图转换为 一维向量。损失函数用于在神经网络训练时通过评估预测值f(x)与真实值Y的 不一致程度,例如可以是log对数损失函数、平方损失函数、指数损失函数、Hinge 损失函数等。
根据具体要执行的功能,可以使用多种类型的神经网络,例如可以采用深度 卷积神经网络CNN,如Lenet、Alexnet、VGG等抽取图像中的特征并通过softmax、 svm等分类器输出对图像物理或病理性质的分类结果。
在本发明的一些实施例中,如图3所示,在一些实施例中,所述神经网络包 括第一神经网络模块、第二神经网络模块、分类器,其中第一神经网络模块为 Darknet-53网络,第二神经网络模块包括5个交替出现的卷积层、ReLU层、池 化层、BN+LeakyReLU层和卷积层,所述分类器采用LR逻辑回归分类器。
例如,Darknet-53网络将生物样本图像采用多尺度融合的方法得到每张图 像对应的三个不同尺寸的特征图,并采用K-means聚类算法对标注数据集进行维 度聚类得到多个不同尺寸大小的先验框(anchor box),通过K-means聚类进行 bbox预测,采用多个Logistic回归对anchor包围的部分进行一个目标评分(找 出评分最高的即为最终预测类别)。
例如,第一神经网络模块包括一个卷积层和依次连接的五个残差模块,第一 残差模块包括一个卷积层和一个残差单元,第二残差模块包括一个卷积层和两个 残差单元,第三残差模块包括一个卷积层和八个残差单元,第四残差模块包括一 个卷积层和八个残差单元,第五个残差模块包括一个卷积层和四个残差单元,每 个残差单元包括两个卷积层和一个残差连接层,五个残差模块通过ResNet跳层 连接方式进行连接。其中,第四残差模块和第五残差模块的输出端输入到同一个 第一张量拼接层concat,第三残差模块的输出端输入到另一第二张量拼接层 concat;其中,第五残差模块输出卷积处理后(Conv2D)得到第一特征图,第四 残差模块的输出端在第二张量拼接层和第五残差模块的输出经过上采样处理合 并输出卷积处理后(Conv2D)得到第二特征图;第三残差模块的输出端在张量拼 接层和第一张量拼接层的输出经过上采样处理合并后输出卷积处理后(Conv2D) 得到第三特征图。
例如,第二神经网络模块包括5个交替出现的卷积层Conv、ReLU层、池化 层Pooling、DBL层和卷积层Conv。
例如,所述分类器采用LR逻辑回归分类器,使用了logistic回归来对第一 神经网络模块每个anchor包围的内容和第二神经网络模块输出的特征图进行了 一个目标性评分(objectness score),评分最高的即为最终预测类别。
例如,最终预测类别包括阳性、高度可疑、可疑、阴性四种。
在一些实施例中,还包括通过训练以以形成所述预训练的神经网络的步骤。 在训练用的样本图像集中,将用于训练的样本图像进行阳性和可疑两类标注;所 述神经网络的输出层被构造为在预设评分范围内的分数进行分类,以评分≥95% 为最优方案并认定为阳性,以评分<95%、≥75%为最优方案认定为高度可疑,以 评分<75%、≥50%为最优方案认定为可疑;评分范围不对应阳性、可疑、高度可 疑的评分对应的物理或病理性质为阴性。
所述神经网络的输出层被构造为在预设评分范围内的分数进行分类,以评分 ≥95%为最优方案并认定为阳性,以评分≥80%为次优方案并认定为阳性,以评分 ≥75%为优选方案并认定为阳性;相对应的以评分<95%、≥75%为最优方案认定 为高度可疑,以评分<80%、≥60%为最优方案认定为高度可疑,以评分<75%、 ≥55%为最优方案认定为高度可疑;相应的以评分<75%、≥50%为最优方案认定 为可疑,以评分<60%、≥40%为最优方案认定为可疑,以评分<55%、≥35%为最 优方案认定为可疑。
上述所提供的分类方式仅为示意性的,根据所要检测的生物样本类型的不同, 本领域技术人员可以根据需要设定不同的分类阈值、分类方式等。
通过这样的训练方式,使得本发明的检测方法可以对生物样本进行四分类, 相对于传统的AI检测方法只能输出阳性结果提高了准确率,为诊断和临床提供 了更丰富的辅助结论。
在一些实施例中,分析所述图像中离体生物样本中的生物的第二外观形态以 判断所述离体生物样本的物理或病理性质,包括:将图像从RGB图像空间投影到 HSV颜色空间,获取图像的色调参数信息,将色调参数信息与预设的包括了不同 色调参数与物理或病理性质的对应关系的色调特征模板相比较,判断所述离体生 物样本的物理或病理性质。
在一些实施例中,分析所述图像中离体生物样本中的生物的第二外观形态以 判断所述离体生物样本的物理或病理性质,包括:获得图像中的生物的几何参数 信息,将几何参数信息与预设的包括了不同几何参数与物理或病理性质的对应关 系的几何特征模板相比较,判断所述离体生物样本的物理或病理性质。
利用颜色的色调、大小尺寸等相关第二外形特征进行运算,可以给出符合(阳性)、高度疑似、疑似及不符合(阴性)的概率。
在本发明的实施例中,具有多种方式可以获得对应的特征模板。
例如,可以通过训练用的样本图像集获得生物样本图像的色调、几何尺寸等 特征,结合对图像物理或病理性质的标注,进行训练形成满足所需要求的神经网 络,这样的神经网络可以是常见的BP神经网络和卷积神经网络,如包括多个卷 积层和全连接层的深度卷积神经网络。训练完成的神经网络包含着第二外观形态 与离体生物样本的病理性质的对应关系,尽管神经网络是黑盒子,无法为用户所 具体认知。这样的神经网络作为特征模板,在使用时,输入色调参数信息或几何 参数信息,神经网络即可输出符合(阳性)、高度疑似、疑似及不符合(阴性) 的概率(如softmax分类器)或直接给出判断结果。
例如,可以将多个第二外观形态参数与其生物样本物理或病理性质的对应关 系构成向量空间,将新的待检测生物样本图像中的第二外观形态参数形成的向量 计算与向量空间中不同向量之间的余弦相似性或向量距离,高于预设阈值的相似 性对应的特征中的生物样本病理性质作为检测生物样本物理或病理性质的结果。
本发明的检测方法,在使用时,离体生物样本的图像先经过第一外观形态判 断后再利用颜色,大小等第二外观形态进行分类识别,从而得到双重四分类的效 果。
在一些实施例中,本发明的检测方法,可以将所有待检测的图像经过第一外 观形态和第二外观形态识别,并在两种外观识别形态步骤下给出一致结果的情况 下,输出最终的检测结果,从而避免误诊的问题。
在一些实施例中,本发明的检测方法,可以将所有待检测的图像经过第一外 观形态,并将第一外观形态无法识别的图像经过第二外观形态识别,从而输出第 一外观形态识别下的图像的检测结果和第二外观形态识别下的图像的检测结果, 从而避免漏诊的问题。
参考图4,本发明的实施例提供了一种计算机设备,包括:处理器;存储器, 用于存储计算机程序;当所述计算机程序被处理器执行,使得所述处理器实现如 前述实施例任一所述的检测方法。
其中,处理器可以是中央处理单元(CPU)或者现场可编程逻辑阵列(FPGA)或 者单片机(MCU)或者数字信号处理器(DSP)或者专用集成电路(ASIC)等具有数据 处理能力和/或程序执行能力的逻辑运算器件。一个或多个处理器可以被配置为 以并行计算的处理器组同时执行上述检测方法,或者被配置为以部分处理器执行 上述检测方法中的部分步骤,部分处理器执行上述检测方法中的其它部分步骤等。 计算机指令包括了一个或多个由对应于处理器的指令集架构定义的处理器操作, 这些计算机指令可以被一个或多个计算机程序在逻辑上包含和表示。
其中,计算机程序可以存储在本地存储器上,或通过通讯组件从网络上被下 载和安装。
其中,存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上 述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、 红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储 介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式 计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只 读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储 器件、磁存储器件、移动存储器件或者上述的任意合适的组合。
为了实现计算机设备的操作,容易理解,还普遍性的具有输入/输出接口、 通讯接口等,输入输出接口可以作为组件配置在计算机设备中,也可以外接于设 备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类 传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。通信接口用 于实现电子设备与其它装置的信息通讯以实现电子设备与其他设备的通信交互。 其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线 方式(例如移动网络、WIFI、蓝牙等)实现通信。
上述计算机设备中也可以仅包含实现本说明书实施例方案所必需的组件,而 不必包含图中所示的全部组件。
本发明实施例提供的计算机设备,在医疗应用中可以作为计算机辅助诊断装 置(CAD),作为对图像进行辅助解读的计算机系统,辅助专业医疗人员等可以基 于CAD输出的参数或状态描述,结合临床检查、活检等得到的数据并结合个人医 疗经验,诊断患者的疾病。
在本发明的还一方面,提供了一种计算机可读存储介质,该计算机可读存储 介质上存储有计算机程序,该计算机程序被处理器运行时执行如前述实施例任一 所述的方法的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限 制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员 应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中 部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方 案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种用于离体生物样本的检测方法,其特征在于,包括:获得离体生物样本的图像;分析所述图像中离体生物样本中的生物的第一外观形态以判断所述离体生物样本的物理或病理性质;分析所述图像中离体生物样本中的生物的第二外观形态以判断所述离体生物样本的物理或病理性质;输出所述离体生物样本的物理或病理性质检测结果。
2.根据权利要求1所述的检测方法,其特征在于,分析所述图像中离体生物样本中的生物的第一外观形态以判断所述离体生物样本的物理或病理性质,包括:将所述图像输入到预训练的神经网络中,所述神经网络包括输入层、隐含层和输出层,所述神经网络的输出层输出对应所述离体生物样本的不同物理或病理性质的多个评分,以最高评分对应的物理或病理性质作为离体生物样本的物理或病理性质。
3.根据权利要求2所述的检测方法,其特征在于,还包括通过样本图像对神经网络进行训练以形成所述预训练的神经网络的步骤,用于训练的样本图像具有阳性和可疑两类标注,所述神经网络的输出层被构造为在预设评分范围内的分数进行分类,以评分≥95%为最优方案并认定为阳性,以评分<95%、≥75%为最优方案认定为高度可疑,以评分<75%、≥50%为最优方案认定为可疑;评分范围不对应阳性、可疑、高度可疑的评分对应的物理或病理性质为阴性。
4.根据权利要求2所述的检测方法,其特征在于,所述神经网络的输出层被构造为在预设评分范围内的分数进行分类,其中最优方案为以评分≥95%认定为阳性,以评分<95%、≥75%认定为高度可疑,以评分<75%、≥50%认定为可疑;次优方案为以评分≥80%认定为阳性,以评分<80%、≥60%认定为高度可疑,以评分<60%、≥40%认定为可疑;优选方案为以评分≥75%认定为阳性,以评分<75%、≥55%认定为高度可疑,以评分<55%、≥35%认定为可疑。
5.根据权利要求3或4所述的检测方法,其特征在于,所述神经网络包括第一神经网络模块、第二神经网络模块、分类器,其中第一神经网络模块为Darknet-53网络,第二神经网络模块包括5个交替出现的卷积层、ReLU层、池化层、BN+LeakyReLU层和卷积层,所述分类器采用逻辑回归分类器。
6.根据权利要求1所述的检测方法,其特征在于,分析所述图像中离体生物样本中的生物的第二外观形态以判断所述离体生物样本的病理性质,包括:将图像从RGB图像空间投影到HSV颜色空间,获取图像的色调参数信息,将色调参数信息与预设的包括了不同色调参数与病理性质的对应关系的色调特征模板相比较,判断所述离体生物样本的物理或病理性质。
7.根据权利要求1所述的检测方法,其特征在于,分析所述图像中离体生物样本中的生物的第二外观形态以判断所述离体生物样本的物理或病理性质,包括:获得图像中的生物的几何参数信息,将几何参数信息与预设的包括了不同几何参数与物理或病理性质的对应关系的几何特征模板相比较,判断所述离体生物样本的物理或病理性质。
8.根据权利要求1所述的检测方法,其特征在于,获得离体生物样本的图像,包括获得染色的离体生物样本的生物显微镜下的图像。
9.根据权利要求1所述的检测方法,其特征在于,所述离体生物样本包括病原微生物和/或组织细胞和/或寄生虫和/或寄生虫卵。
10.一种计算机设备,其特征在于,包括:处理器和存储器,存储器用于存储计算机程序;当所述计算机程序被处理器执行,使得所述处理器实现如权9利要求1-8中任一所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657828.XA CN111797786B (zh) | 2020-07-09 | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657828.XA CN111797786B (zh) | 2020-07-09 | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797786A true CN111797786A (zh) | 2020-10-20 |
CN111797786B CN111797786B (zh) | 2024-06-25 |
Family
ID=
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178228A (zh) * | 2021-05-25 | 2021-07-27 | 郑州中普医疗器械有限公司 | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 |
CN113295692A (zh) * | 2021-05-25 | 2021-08-24 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
CN117612159A (zh) * | 2022-11-08 | 2024-02-27 | 郑州英视江河生态环境科技有限公司 | 微观生物图像处理方法、神经网络训练方法、装置及设备 |
CN113295692B (zh) * | 2021-05-25 | 2024-06-21 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360453A (zh) * | 2005-11-23 | 2009-02-04 | 美的派特恩公司 | 医学图像的计算机辅助定性定量分析的方法和系统 |
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
US20190065897A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Medical image analysis method, medical image analysis system and storage medium |
CN110031624A (zh) * | 2019-02-28 | 2019-07-19 | 中国科学院上海高等研究院 | 基于多神经网络分类器的肿瘤标志物检测系统、方法、终端、介质 |
CN110765908A (zh) * | 2019-10-14 | 2020-02-07 | 三江学院 | 基于深度学习的级联式癌细胞检测系统 |
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN111311574A (zh) * | 2020-02-14 | 2020-06-19 | 山西大学 | 基于人工智能的太赫兹病变检测方法及系统 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360453A (zh) * | 2005-11-23 | 2009-02-04 | 美的派特恩公司 | 医学图像的计算机辅助定性定量分析的方法和系统 |
CN102682305A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市迈科龙医疗设备有限公司 | 宫颈液基细胞学自动筛查方法和系统 |
US20170169567A1 (en) * | 2014-05-23 | 2017-06-15 | Ventana Medical Systems, Inc. | Systems and methods for detection of structures and/or patterns in images |
US20190065897A1 (en) * | 2017-08-28 | 2019-02-28 | Boe Technology Group Co., Ltd. | Medical image analysis method, medical image analysis system and storage medium |
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN110031624A (zh) * | 2019-02-28 | 2019-07-19 | 中国科学院上海高等研究院 | 基于多神经网络分类器的肿瘤标志物检测系统、方法、终端、介质 |
CN110765908A (zh) * | 2019-10-14 | 2020-02-07 | 三江学院 | 基于深度学习的级联式癌细胞检测系统 |
CN111311574A (zh) * | 2020-02-14 | 2020-06-19 | 山西大学 | 基于人工智能的太赫兹病变检测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178228A (zh) * | 2021-05-25 | 2021-07-27 | 郑州中普医疗器械有限公司 | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 |
CN113295692A (zh) * | 2021-05-25 | 2021-08-24 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
CN113178228B (zh) * | 2021-05-25 | 2023-02-10 | 郑州中普医疗器械有限公司 | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 |
CN113295692B (zh) * | 2021-05-25 | 2024-06-21 | 郑州中普医疗器械有限公司 | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
CN117612159A (zh) * | 2022-11-08 | 2024-02-27 | 郑州英视江河生态环境科技有限公司 | 微观生物图像处理方法、神经网络训练方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehanian et al. | Computer-automated malaria diagnosis and quantitation using convolutional neural networks | |
Quinn et al. | Automated blood smear analysis for mobile malaria diagnosis | |
Poostchi et al. | Malaria parasite detection and cell counting for human and mouse using thin blood smear microscopy | |
CN104854620A (zh) | 图像处理装置、图像处理系统和程序 | |
Simon et al. | Shallow cnn with lstm layer for tuberculosis detection in microscopic images | |
Kotei et al. | Computational techniques for the automated detection of mycobacterium tuberculosis from digitized sputum smear microscopic images: A systematic review | |
Dhar et al. | Evaluation of the benchmark datasets for testing the efficacy of deep convolutional neural networks | |
Shenoy et al. | CovXR: automated detection of COVID-19 pneumonia in chest X-rays through machine learning | |
Zhang et al. | Computerized detection of leukocytes in microscopic leukorrhea images | |
Hu et al. | Automatic detection of tuberculosis bacilli in sputum smear scans based on subgraph classification | |
Pereira et al. | Deep convolutional neural network applied to Trypanosoma cruzi detection in blood samples | |
CN113178228B (zh) | 基于细胞核dna分析的细胞分析方法、计算机设备、存储介质 | |
Hortinela IV et al. | Development of abnormal red blood cells classifier using image processing techniques with support vector machine | |
Kareem | An evaluation algorithms for classifying leukocytes images | |
CN111797786B (zh) | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 | |
CN111797786A (zh) | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 | |
Zhang et al. | Blood cell image classification based on image segmentation preprocessing and CapsNet network model | |
Gopakumar et al. | Automatic detection of Malaria infected RBCs from a focus stack of bright field microscope slide images | |
Al-khuzaie et al. | Developing an efficient VGG19-based model and transfer learning for detecting acute lymphoblastic leukemia (ALL) | |
Muis et al. | Cnn-based approach for enhancing brain tumor image classification accuracy | |
Suraksha et al. | Classification of Malaria cell images using Deep Learning Approach | |
CN113295692B (zh) | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 | |
Sloan et al. | Estimating phenotypic characteristics of tuberculosis bacteria | |
Liu et al. | Automated Morphological Grading of Human Blastocysts From Multi-Focus Images | |
CN113295692A (zh) | 基于细胞核dna和tbs双分析法的细胞分析方法、计算机设备、存储介质 |
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 |