CN113096125B - 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 - Google Patents

低密度脂蛋白试剂浓度的确定方法、装置及存储介质 Download PDF

Info

Publication number
CN113096125B
CN113096125B CN202110510569.2A CN202110510569A CN113096125B CN 113096125 B CN113096125 B CN 113096125B CN 202110510569 A CN202110510569 A CN 202110510569A CN 113096125 B CN113096125 B CN 113096125B
Authority
CN
China
Prior art keywords
classification
concentration
determining
value
image
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
CN202110510569.2A
Other languages
English (en)
Other versions
CN113096125A (zh
Inventor
张心觉
高军晖
刘亚
张明
楼敬伟
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.)
Shanghai Biotecan Medical Diagnostics Co ltd
Shanghai Zhangjiang Medical Innovation Research Institute
Shanghai Biotecan Biology Medicine Technology Co ltd
Original Assignee
Shanghai Biotecan Medical Diagnostics Co ltd
Shanghai Zhangjiang Medical Innovation Research Institute
Shanghai Biotecan Biology Medicine 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 Shanghai Biotecan Medical Diagnostics Co ltd, Shanghai Zhangjiang Medical Innovation Research Institute, Shanghai Biotecan Biology Medicine Technology Co ltd filed Critical Shanghai Biotecan Medical Diagnostics Co ltd
Priority to CN202110510569.2A priority Critical patent/CN113096125B/zh
Publication of CN113096125A publication Critical patent/CN113096125A/zh
Priority to PCT/CN2022/091834 priority patent/WO2022237746A1/zh
Application granted granted Critical
Publication of CN113096125B publication Critical patent/CN113096125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质，可以提高低密度脂蛋白试剂浓度的检测效率。该方法包括：获取低密度脂蛋白试剂的目标图像；通过预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值，确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度。

Description

低密度脂蛋白试剂浓度的确定方法、装置及存储介质
技术领域
本申请实施例涉及医药试剂检测技术领域，尤其涉及一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质。
背景技术
低密度脂蛋白试剂的浓度可以表征人的身体健康水平，随着医疗水平的提高，对于低密度脂蛋白试剂的浓度检测的需求也越来越多。然而，在需要同时对大量低密度脂蛋白试剂进行浓度检测时，现有的检测方法检测效率较低。因此，亟待提出一种低密度脂蛋白试剂浓度的确定方法，提高低密度脂蛋白试剂浓度的检测效率。
发明内容
本申请提供一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质，可以提高低密度脂蛋白试剂浓度的检测效率。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供一种低密度脂蛋白试剂浓度的确定方法，包括：获取低密度脂蛋白试剂的目标图像；通过预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值，确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度。
由于低密度脂蛋白试剂的浓度是与包含低密度脂蛋白试剂的图像中像素点的灰度值有关的，所以可以将目标图像输入预先训练好的预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值确定出低密度脂蛋白试剂的浓度。可以看出，预设随机森林模型可以替代人工对低密度脂蛋白试剂的浓度进行检测，因此，本申请提供的低密度脂蛋白试剂浓度的确定方法可以提高低密度脂蛋白试剂浓度的检测效率。
可选的，在一种可能的设计方式中，本申请提供的低密度脂蛋白试剂浓度的确定方法还可以包括，通过以下方式确定灰度阈值：
遍历分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；
根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差；
将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为灰度阈值。
可选的，在另一种可能的设计方式中，上述“根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差”可以包括：
计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值；第一节点和第二节点为，以目标预设灰度值作为初始阈值对分类节点的样本图像进行节点划分得到的分类子节点；目标预设灰度值为M个预设灰度值中的任意一个；
根据第一浓度均值确定第一节点的样本图像的浓度值的第一均值误差，根据第二浓度均值确定第二节点的样本图像的浓度值的第二均值误差；
根据第一均值误差与第二均值误差，确定以目标预设灰度值作为初始阈值的分类结果的分类误差。
可选的，在另一种可能的设计方式中，本申请提供的低密度脂蛋白试剂浓度的确定方法还可以包括，通过以下方式确定分类回归树：
从训练集中选取第一预设数值的样本图像，确定为分类回归树的分类节点中的根节点的样本图像；训练集中包括第二预设数值的样本图像和第二预设数值的样本图像对应的浓度；第一预设数值小于或等于第二预设数值；
步骤A：基于根节点的灰度阈值，将根节点的样本图像划分至根节点的子节点；
步骤B：判断根节点的子节点是否满足终止条件；终止条件根据第一预设数值和分类回归树的深度确定；
步骤C：在根节点的子节点满足终止条件的情况下，获取根节点的子节点的浓度值；根节点的子节点的浓度值根据根节点的子节点的样本图像的浓度值确定；
步骤D：在根节点的子节点不满足终止条件的情况下，从根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点，之后重新执行步骤A和步骤B，直至满足终止条件，并在满足终止条件的情况下，执行步骤C；第三预设数值小于或等于第一预设数值；
基于步骤A至步骤D中得到的根节点、子节点以及根节点的灰度阈值，训练分类回归树。
可选的，在另一种可能的设计方式中，上述“获取低密度脂蛋白试剂的目标图像”可以包括：
获取原始扫描图像；原始扫描图像中包括试剂容器所在区域；试剂容器用于盛放低密度脂蛋白试剂；
对原始扫描图像进行切割，得到至少一个区域图像；一个区域图像对应一个试剂容器；
对区域图像进行处理，得到区域图像的目标图像。
可选的，在另一种可能的设计方式中，上述“对区域图像进行处理，得到区域图像的目标图像”可以包括：
确定区域图像的第一分界线和第二分界线；第一分界线对应低密度脂蛋白试剂的液面；第二分界线对应低密度脂蛋白试剂的分层面；
基于第一分界线和第二分界线，对区域图像进行裁剪；
基于第二分界线对裁剪后的区域图像进行填充，且将区域图像填充为预设尺寸；
将填充后的预设尺寸的区域图像确定为目标图像。
可选的，在另一种可能的设计方式中，本申请提供的低密度脂蛋白试剂浓度的确定方法还可以包括，通过以下方式确定预设随机森林模型：基于训练集、测试集以及第四预设数值N，分别训练N个分类回归树，得到预设随机森林模型；
确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度，可以包括：
在N个分类回归树中，确定目标图像关联的N个目标分类节点，将N个目标分类节点的浓度值的平均值，确定为低密度脂蛋白试剂的浓度。
第二方面，本申请提供一种低密度脂蛋白试剂浓度的确定装置，包括获取模块和确定模块；
具体的，获取模块，用于获取低密度脂蛋白试剂的目标图像；
确定模块，用于通过预设随机森林模型，基于获取模块获取的目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值，确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度。
可选的，在一种可能的设计方式中，本申请提供的低密度脂蛋白试剂浓度的确定方法还可以包括分类模块；
分类模块，用于遍历分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；
确定模块，还用于根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差；
确定模块，还用于将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为灰度阈值。
可选的，在另一种可能的设计方式中，确定模块具体用于：
计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值；第一节点和第二节点为，以目标预设灰度值作为初始阈值对分类节点的样本图像进行节点划分得到的分类子节点；目标预设灰度值为M个预设灰度值中的任意一个；
根据第一浓度均值确定第一节点的样本图像的浓度值的第一均值误差，根据第二浓度均值确定第二节点的样本图像的浓度值的第二均值误差；
根据第一均值误差与第二均值误差，确定以目标预设灰度值作为初始阈值的分类结果的分类误差。
可选的，在另一种可能的设计方式中，确定模块还用于执行以下步骤：
从训练集中选取第一预设数值的样本图像，确定为分类回归树的分类节点中的根节点的样本图像；训练集中包括第二预设数值的样本图像和第二预设数值的样本图像对应的浓度；第一预设数值小于或等于第二预设数值；
步骤A：基于根节点的灰度阈值，将根节点的样本图像划分至根节点的子节点；
步骤B：判断根节点的子节点是否满足终止条件；终止条件根据第一预设数值和分类回归树的深度确定；
步骤C：在根节点的子节点满足终止条件的情况下，获取根节点的子节点的浓度值；根节点的子节点的浓度值根据根节点的子节点的样本图像的浓度值确定；
步骤D：在根节点的子节点不满足终止条件的情况下，从根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点，之后重新执行步骤A和步骤B，直至满足终止条件，并在满足终止条件的情况下，执行步骤C；第三预设数值小于或等于第一预设数值；
基于步骤A至步骤D中得到的根节点、子节点以及根节点的灰度阈值，训练分类回归树。
可选的，在另一种可能的设计方式中，获取模块具体用于：
获取原始扫描图像；原始扫描图像中包括试剂容器所在区域；试剂容器用于盛放低密度脂蛋白试剂；
对原始扫描图像进行切割，得到至少一个区域图像；一个区域图像对应一个试剂容器；
对区域图像进行处理，得到区域图像的目标图像。
可选的，在另一种可能的设计方式中，确定模块具体用于：
确定区域图像的第一分界线和第二分界线；第一分界线对应低密度脂蛋白试剂的液面；第二分界线对应低密度脂蛋白试剂的分层面；
基于第一分界线和第二分界线，对区域图像进行裁剪；
基于第二分界线对裁剪后的区域图像进行填充，且将区域图像填充为预设尺寸；
将填充后的预设尺寸的区域图像确定为目标图像。
可选的，在另一种可能的设计方式中，本申请提供的低密度脂蛋白试剂浓度的确定装置还可以包括训练模块；
训练模块，用于基于训练集、测试集以及第四预设数值N，分别训练N个分类回归树，得到预设随机森林模型；
确定模块具体用于：在N个分类回归树中，确定目标图像关联的N个目标分类节点，将N个目标分类节点的浓度值的平均值，确定为低密度脂蛋白试剂的浓度。
第三方面，本申请提供一种低密度脂蛋白试剂浓度的确定装置，包括存储器、处理器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当低密度脂蛋白试剂浓度的确定装置运行时，处理器执行存储器存储的计算机执行指令，以使低密度脂蛋白试剂浓度的确定装置执行如上述第一方面提供的低密度脂蛋白试剂浓度的确定方法。
可选的，该低密度脂蛋白试剂浓度的确定装置还可以包括收发器，该收发器用于在低密度脂蛋白试剂浓度的确定装置的处理器的控制下，执行收发数据、信令或者信息的步骤，例如，获取低密度脂蛋白试剂的目标图像。
进一步可选的，该低密度脂蛋白试剂浓度的确定装置可以是用于实现低密度脂蛋白试剂浓度的确定的物理机，也可以是物理机中的一部分装置，例如可以是物理机中的芯片系统。该芯片系统用于支持低密度脂蛋白试剂浓度的确定装置实现第一方面中所涉及的功能，例如，接收，发送或处理上述低密度脂蛋白试剂浓度的确定方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行指令时，使得计算机执行如第一方面提供的低密度脂蛋白试剂浓度的确定方法。
第五方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面提供的低密度脂蛋白试剂浓度的确定方法。
需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与低密度脂蛋白试剂浓度的确定装置的处理器封装在一起的，也可以与低密度脂蛋白试剂浓度的确定装置的处理器单独封装，本申请对此不做限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
在本申请中，上述低密度脂蛋白试剂浓度的确定装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种低密度脂蛋白试剂浓度的确定方法的流程示意图；
图2为本申请实施例提供的一种原始扫描图像的示意图；
图3为本申请实施例提供的一种区域图像的示意图；
图4为本申请实施例提供的一种根据第一分界线和第二分界线，对区域图像进行裁剪得到的图像的示意图；
图5为本申请实施例提供的一种多个目标图像的示意图；
图6为本申请实施例提供的另一种低密度脂蛋白试剂浓度的确定方法的流程示意图；
图7为本申请实施例提供的又一种低密度脂蛋白试剂浓度的确定方法的流程示意图；
图8为本申请实施例提供的一种低密度脂蛋白试剂浓度的确定装置的结构示意图；
图9为本申请实施例提供的另一种低密度脂蛋白试剂浓度的确定装置的结构示意图。
具体实施方式
下面结合附图对本申请实施例提供的低密度脂蛋白试剂浓度的确定方法、装置及存储介质进行详细地描述。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括其他没有列出的步骤或单元，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。
低密度脂蛋白试剂的浓度可以表征人的身体健康水平，随着医疗水平的提高，对于低密度脂蛋白试剂的浓度检测的需求也越来越多。然而，在需要同时对大量低密度脂蛋白试剂进行浓度检测时，现有的检测方法检测效率较低。因此，亟待提出一种低密度脂蛋白试剂浓度的确定方法，提高低密度脂蛋白试剂浓度的检测效率。
针对上述现有技术中存在的问题，本申请实施例提供了一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质。该方案可以将待检测的目标图像输入预先训练好的预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值确定出低密度脂蛋白试剂的浓度。通过预设随机森林模型替代人工对低密度脂蛋白试剂的浓度进行检测，因此，可以提高低密度脂蛋白试剂浓度的检测效率。
本申请提供的低密度脂蛋白试剂浓度的确定方法可以应用于低密度脂蛋白试剂浓度的确定装置。其中，低密度脂蛋白试剂浓度的确定装置可以是用于对低密度脂蛋白试剂的浓度进行检测的服务器。
可以理解的是，服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，本申请实施例对此不做限定。
下面对本申请提供的低密度脂蛋白试剂浓度的确定方法进行说明。
参照图1，本申请实施例提供的低密度脂蛋白试剂浓度的确定方法包括S101-S102：
S101、低密度脂蛋白试剂浓度的确定装置获取低密度脂蛋白试剂的目标图像。
其中，目标图像可以是经过预处理后的图像。
可选的，在一种可能的实现方式中，低密度脂蛋白试剂浓度的确定装置可以先获取原始扫描图像，然后对原始扫描图像进行切割，得到至少一个区域图像，之后对区域图像进行处理，得到区域图像的目标图像。
其中，原始扫描图像中包括试剂容器所在区域，试剂容器用于盛放低密度脂蛋白试剂。至少一个区域图像中的每个区域图像对应一个试剂容器。
示例性的，参照图2，提供了一种原始扫描图像，如图2所示，原始扫描图像中包括有多个试剂容器，低密度脂蛋白试剂浓度的确定装置可以对图2的原始扫描图像进行切割，得到多个如图3所示的区域图像，之后对区域图像进行处理，得到区域图像的目标图像。其中，图3中区域图像的横坐标为试剂容器宽度，纵坐标表示试剂容器的长度，单位为mm。
可选的，原始扫描图像一般为tif文件，而图像处理软件一般不支持对tif文件的图像进行处理，所以，低密度脂蛋白试剂浓度的确定装置在获取到原始扫描图像之后，可以对其进行格式转换，转换为图像处理软件支持的png或jpg等格式。
可选的，如图2所示，原始扫描图像中可能某些试剂容器并未盛放试剂，从图2中可以看出，未盛放试剂的试剂容器的各个像素点的灰度值均相同，而盛放试剂的试剂容器的各个像素点的灰度值呈规律分布。所以，可选的，低密度脂蛋白试剂浓度的确定装置在对原始扫描图像进行切割时，可以基于像素点的灰度值裁剪掉原始扫描图像中未盛放试剂的试剂容器所在的区域。
另外，原始扫描图像中还可以包括盛放试剂容器的试管架(比如，图2中试剂容器底部的黑色区域)，可以基于各个像素点的灰度值裁剪掉该部分。
可选的，在一种可能的实现方式中，低密度脂蛋白试剂浓度的确定装置可以确定出区域图像的第一分界线和第二分界线；然后基于第一分界线和第二分界线，对区域图像进行裁剪，之后基于第二分界线对裁剪后的区域图像进行填充，且将区域图像填充为预设尺寸，将填充后的预设尺寸的区域图像确定为目标图像。
其中，第一分界线对应低密度脂蛋白试剂的液面，第二分界线对应低密度脂蛋白试剂的分层面。预设尺寸可以是人为事先确定的尺寸大小，比如预设尺寸可以是20mm*300mm。当然，在实际应用中，预设尺寸还可以是其他尺寸大小，本申请实施例对此不做限定。
示例性的，如图4所示，为一种原始扫描图像根据第一分界线和第二分界线，对区域图像进行裁剪得到的图像。之后，在第二分界线尾部对裁剪后的区域图像进行填充，将填充后的预设尺寸的区域图像确定为目标图像。示例性的，如图5所示，为在第二分界线尾部对裁剪后的区域图像进行填充得到的目标图像。
可以理解的是，在实际应用中，还可以通过其他方式获取目标图像，本申请实施例对此不做限定。
S102、低密度脂蛋白试剂浓度的确定装置通过预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值，确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度。
可选的，在一种可能的实现方式中，可以通过以下方式确定预设随机森林模型：基于训练集、测试集以及第四预设数值N，分别训练N个分类回归树，得到预设随机森林模型。确定处预设随机森林模型后，在预设随机森林模型的N个分类回归树中，分别确定目标图像关联的N个目标分类节点，之后可以将N个目标分类节点的浓度值的平均值，确定为低密度脂蛋白试剂的浓度。
其中，第四预设数值N可以是人为事先确定的预设随机森林模型中分类回归树的数量，比如，N可以为5，当然，在实际应用中，N也可以为其他数值，本申请实施例对此不做限定。
训练集和测试集中包括有样本图像和样本图像对应的浓度，训练集中的样本图像用于训练预设随机森林模型，测试集中的样本图像用于对预设随机森林模型中的灰度阈值进行调优，优化预设随机森林模型，提高检测的准确率。
可以理解的是，样本图像也是经过预处理后的预设尺寸的图像，处理过程与目标图像相同，本申请实施例在此不再赘述。
可选的，在一种可能的实现方式中，可以通过以下方式确定分类回归树：首先，低密度脂蛋白试剂浓度的确定装置从训练集中有放回的随机选取第一预设数值的样本图像，确定为分类回归树的分类节点中的根节点的样本图像；然后，执行步骤A：基于根节点的灰度阈值，将根节点的样本图像划分至根节点的子节点；执行步骤B：判断根节点的子节点是否满足终止条件；执行步骤C：在根节点的子节点满足终止条件的情况下，获取根节点的子节点的浓度值；执行步骤D：在根节点的子节点不满足终止条件的情况下，从根节点的子节点的样本图像中无放回的随机选取第三预设数值的样本图像作为新的根节点，之后重新执行步骤A和步骤B，直至满足终止条件，并在满足终止条件的情况下，执行步骤C；最后，基于步骤A至步骤D中得到的根节点、子节点以及根节点的灰度阈值，训练分类回归树。
其中，训练集中可以包括第二预设数值的样本图像和第二预设数值的样本图像对应的浓度。
第一预设数值、第二预设数值和第三预设数值可以是人为事先确定的数值，第一预设数值小于或等于第二预设数值，且第三预设数值小于或等于第一预设数值。
终止条件可以根据第一预设数值和分类回归树的深度确定。示例性的，若分类回归树的深度为5，则终止条件可以为，判断根节点的子节点的深度是否为5，在根节点的子节点的深度未达到5的情况下，从根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点，之后重新执行步骤A和步骤B，直至根节点的子节点的深度达到5。另外，终止条件还需要结合第一预设数值确定，低密度脂蛋白试剂浓度的确定装置可以根据第一预设数值和灰度阈值确定划分到子节点的样本图像的数量，在根节点的子节点的样本图像的数量为1，也即是不能继续划分的情况下，确定为达到终止条件。
本申请实施例中，分类节点的浓度值是根据该节点的样本图像的浓度值确定。比如，根节点的子节点的浓度值根据根节点的子节点的样本图像的浓度值确定。示例性的，根节点的子节点的浓度值可以为根节点的子节点的所有样本图像的浓度值的平均值。
可选的，在一种可能的实现方式中，可以通过以下方式确定灰度阈值：
首先，低密度脂蛋白试剂浓度的确定装置遍历分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差；然后将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为灰度阈值。
可选的，低密度脂蛋白试剂浓度的确定装置可以计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值。其中，第一节点和第二节点为，以目标预设灰度值作为初始阈值对分类节点的样本图像进行节点划分得到的分类子节点；目标预设灰度值为M个预设灰度值中的任意一个。然后，低密度脂蛋白试剂浓度的确定装置根据第一浓度均值确定第一节点的样本图像的浓度值的第一均值误差，根据第二浓度均值确定第二节点的样本图像的浓度值的第二均值误差；之后根据第一均值误差与第二均值误差，确定以目标预设灰度值作为初始阈值的分类结果的分类误差。
示例性的，在一种可能实现的方式中，M个预设灰度值可以为灰度图像的灰度值的取值，分别为0-255。
可选的，预设条件可以为：将M个分类结果中，分类误差最小的分类结果对应的预设灰度值确定为灰度阈值。
其中，第一节点的样本图像的第一浓度均值可以为第一节点所有样本图像的浓度值的平均值，第二节点的样本图像的第二浓度均值可以为第二节点所有样本图像的浓度值的平均值。
可选的，以目标预设灰度值作为初始阈值的分类结果的分类误差可以为第一均值误差与第二均值误差之和。
示例性的，若用j表示样本图像中的像素点，用x(j)表示像素点的灰度值，用s表示目标预设灰度值，可以将像素点的灰度值小于或等于s的样本划分至第一节点，将像素点的灰度值大于s的样本划分至第二节点。用R1表示第一节点的样本图像的集合，R2表示第二节点的样本图像的集合，则可以得到表达式(1)：
R1(j，s)＝{x|x(j)≤s}，R2(j，s)＝{x|x(j)＞s} (1)
用Nm表示划分至子节点的样本图像的数量，则第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值可以用表达式(2)表示：
其中，yi表示样本图像i的实际浓度值。
低密度脂蛋白试剂浓度的确定装置确定出M个分类结果的分类子节点的样本图像的第一浓度均值和第二浓度均值之后，可以通过表达式(3)确定出分类误差最小的分类结果对应的划分点(j，s)：
之后，可以将分类误差最小的分类结果对应的划分点(j，s)的中的预设灰度值确定为灰度阈值。
低密度脂蛋白试剂浓度的确定装置可以对分类回归树的根节点的样本图像进行节点划分，不断的将节点划分为两个子节点，直至满足终止条件，将根节点的所有样本图像划分为T个区域(R1、R2...RT)，生成分类回归树，分类回归树的模型可以用表达式(4)表示：
其中，I为指数函数，可以用表达式(5)表示：
可以理解的是，本申请实施例提供的确定灰度阈值的方法和确定分类回归树的方法仅作为示例，在实际应用中，还可以基于样本图像中像素点的灰度值以及样本图像的实际浓度，通过其他方式确定灰度阈值和分类回归树，本申请实施例对此不做限定。
本申请实施例提供的低密度脂蛋白试剂浓度的确定方法中，由于低密度脂蛋白试剂的浓度是与包含低密度脂蛋白试剂的图像中像素点的灰度值有关的，所以可以基于样本图像中像素点的灰度值和样本图像对应的浓度训练出预设随机森林模型中的分类回归树。之后，即可以将待检测的目标图像输入预先训练好的预设随机森林模型，基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值确定出低密度脂蛋白试剂的浓度。可以看出，预设随机森林模型可以替代人工对低密度脂蛋白试剂的浓度进行检测，因此，本申请实施例提供的低密度脂蛋白试剂浓度的确定方法可以提高低密度脂蛋白试剂浓度的检测效率。
综合以上描述，如图6所示，本申请实施例还提供了一种预设随机森林模型的训练方法，包括S701-S7010：
S701、低密度脂蛋白试剂浓度的确定装置从训练集中选取第一预设数值的样本图像，确定为分类回归树的分类节点中的根节点的样本图像。
S702、低密度脂蛋白试剂浓度的确定装置遍历根节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果。
S703、低密度脂蛋白试剂浓度的确定装置根据根节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差。
S704、低密度脂蛋白试剂浓度的确定装置将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为根节点的灰度阈值。
S705、低密度脂蛋白试剂浓度的确定装置基于根节点的灰度阈值，将根节点的样本图像划分至根节点的子节点。
S706、低密度脂蛋白试剂浓度的确定装置判断根节点的子节点是否满足终止条件。
在根节点的子节点满足终止条件的情况下，低密度脂蛋白试剂浓度的确定装置执行步骤S707；在根节点的子节点不满足终止条件的情况下，执行步骤S708。
S707、低密度脂蛋白试剂浓度的确定装置获取根节点的子节点的浓度值。
在步骤S707之后，执行步骤S709。
S708、低密度脂蛋白试剂浓度的确定装置从根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点。
在步骤S708之后，返回重新执行步骤S702。
S709、低密度脂蛋白试剂浓度的确定装置基于模型训练过程中得到的所有根节点、子节点以及根节点的灰度阈值，训练分类回归树。
S7010、低密度脂蛋白试剂浓度的确定装置基于训练集、测试集以及第四预设数值N，分别训练N个分类回归树，得到预设随机森林模型。
可选的，如图7所示，图1中的步骤S101可以替换为S1011-S1014：
S1011、低密度脂蛋白试剂浓度的确定装置获取原始扫描图像，并对原始扫描图像进行切割，得到至少一个区域图像。
S1012、低密度脂蛋白试剂浓度的确定装置确定区域图像的第一分界线和第二分界线。
S1013、低密度脂蛋白试剂浓度的确定装置基于第一分界线和第二分界线，对区域图像进行裁剪，且基于第二分界线对裁剪后的区域图像进行填充，将区域图像填充为预设尺寸。
S1014、低密度脂蛋白试剂浓度的确定装置将填充后的预设尺寸的区域图像确定为目标图像。
如图8所示，本申请实施例还提供了一种低密度脂蛋白试剂浓度的确定装置，该装置可以包括：获取模块11和确定模块12。
其中，获取模块11执行上述方法实施例中的S101，确定模块12执行上述方法实施例中的S102。
具体地，获取模块11，用于获取低密度脂蛋白试剂的目标图像；
确定模块12，用于通过预设随机森林模型，基于获取模块11获取的目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值，确定目标图像关联的目标分类节点，且根据目标分类节点的浓度值，确定低密度脂蛋白试剂的浓度。
可选的，在一种可能的实现方式中，本申请提供的低密度脂蛋白试剂浓度的确定方法还可以包括分类模块；
分类模块，用于遍历分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；
确定模块12，还用于根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差；
确定模块12，还用于将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为灰度阈值。
可选的，在另一种可能的实现方式中，确定模块12具体用于：
计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值；第一节点和第二节点为，以目标预设灰度值作为初始阈值对分类节点的样本图像进行节点划分得到的分类子节点；目标预设灰度值为M个预设灰度值中的任意一个；
根据第一浓度均值确定第一节点的样本图像的浓度值的第一均值误差，根据第二浓度均值确定第二节点的样本图像的浓度值的第二均值误差；
根据第一均值误差与第二均值误差，确定以目标预设灰度值作为初始阈值的分类结果的分类误差。
可选的，在另一种可能的实现方式中，确定模块12还用于执行以下步骤：
从训练集中选取第一预设数值的样本图像，确定为分类回归树的分类节点中的根节点的样本图像；训练集中包括第二预设数值的样本图像和第二预设数值的样本图像对应的浓度；第一预设数值小于或等于第二预设数值；
步骤A：基于根节点的灰度阈值，将根节点的样本图像划分至根节点的子节点；
步骤B：判断根节点的子节点是否满足终止条件；终止条件根据第一预设数值和分类回归树的深度确定；
步骤C：在根节点的子节点满足终止条件的情况下，获取根节点的子节点的浓度值；根节点的子节点的浓度值根据根节点的子节点的样本图像的浓度值确定；
步骤D：在根节点的子节点不满足终止条件的情况下，从根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点，之后重新执行步骤A和步骤B，直至满足终止条件，并在满足终止条件的情况下，执行步骤C；第三预设数值小于或等于第一预设数值；
基于步骤A至步骤D中得到的根节点、子节点以及根节点的灰度阈值，训练分类回归树。
可选的，在另一种可能的实现方式中，获取模块11具体用于：
获取原始扫描图像；原始扫描图像中包括试剂容器所在区域；试剂容器用于盛放低密度脂蛋白试剂；
对原始扫描图像进行切割，得到至少一个区域图像；一个区域图像对应一个试剂容器；
对区域图像进行处理，得到区域图像的目标图像。
可选的，在另一种可能的实现方式中，确定模块12具体用于：
确定区域图像的第一分界线和第二分界线；第一分界线对应低密度脂蛋白试剂的液面；第二分界线对应低密度脂蛋白试剂的分层面；
基于第一分界线和第二分界线，对区域图像进行裁剪；
基于第二分界线对裁剪后的区域图像进行填充，且将区域图像填充为预设尺寸；
将填充后的预设尺寸的区域图像确定为目标图像。
可选的，在另一种可能的实现方式中，本申请提供的低密度脂蛋白试剂浓度的确定装置还可以包括训练模块；
训练模块，用于基于训练集、测试集以及第四预设数值N，分别训练N个分类回归树，得到预设随机森林模型；
确定模块12具体用于：在N个分类回归树中，确定目标图像关联的N个目标分类节点，将N个目标分类节点的浓度值的平均值，确定为低密度脂蛋白试剂的浓度。
可选的，低密度脂蛋白试剂浓度的确定装置还可以包括存储模块，存储模块用于存储该低密度脂蛋白试剂浓度的确定装置的程序代码等。
如图9所示，本申请实施例还提供一种低密度脂蛋白试剂浓度的确定装置，包括存储器41、处理器42、总线43和通信接口44；存储器41用于存储计算机执行指令，处理器42与存储器41通过总线43连接；当低密度脂蛋白试剂浓度的确定装置运行时，处理器42执行存储器41存储的计算机执行指令，以使低密度脂蛋白试剂浓度的确定装置执行如上述实施例提供的低密度脂蛋白试剂浓度的确定方法。
在具体的实现中，作为一种实施例，处理器42(42-1和42-2)可以包括一个或多个中央处理器(central processing unit，CPU)，例如图9中所示的CPU0和CPU1。且作为一种实施例，低密度脂蛋白试剂浓度的确定装置可以包括多个处理器42，例如图9中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器41可以是只读存储器41(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器41可以是独立存在，通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。
在具体的实现中，存储器41，用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序，以及调用存储在存储器41内的数据，低密度脂蛋白试剂浓度的确定装置的各种功能。
通信接口44，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如控制系统、无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口44可以包括接收单元实现接收功能，以及发送单元实现发送功能。
总线43，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
作为一个示例，结合图8，低密度脂蛋白试剂浓度的确定装置中的获取模块实现的功能与图9中的接收单元实现的功能相同，低密度脂蛋白试剂浓度的确定装置中的确定模块实现的功能与图9中的处理器实现的功能相同，低密度脂蛋白试剂浓度的确定装置中的存储模块实现的功能与图9中的存储器实现的功能相同。
本实施例中相关内容的解释可参考上述方法实施例，此处不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，使得计算机执行上述实施例提供的低密度脂蛋白试剂浓度的确定方法。
其中，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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(erasable programmable read only memory，EPROM)、寄存器、硬盘、光纤、CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specificintegrated circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种低密度脂蛋白试剂浓度的确定方法，其特征在于，包括：
获取低密度脂蛋白试剂的目标图像；
通过预设随机森林模型，基于所述目标图像中像素点的灰度值和所述预设随机森林模型中分类回归树的分类节点的灰度阈值，确定所述目标图像关联的目标分类节点，且根据所述目标分类节点的浓度值，确定所述低密度脂蛋白试剂的浓度；
通过以下方式确定所述预设随机森林模型：
基于训练集、测试集以及第四预设数值N，分别训练N个所述分类回归树，得到所述预设随机森林模型；其中，所述第四预设数值N为预先确定的预设随机森林模型中分类回归树的数量；
所述确定所述目标图像关联的目标分类节点，且根据所述目标分类节点的浓度值，确定所述低密度脂蛋白试剂的浓度，包括：
在所述N个所述分类回归树中，确定所述目标图像关联的N个所述目标分类节点，将所述N个所述目标分类节点的浓度值的平均值，确定为所述低密度脂蛋白试剂的浓度；
通过以下方式确定所述灰度阈值：
遍历所述分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对所述分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；
根据所述分类节点的样本图像的浓度值和所述M个分类结果中所述分类子节点的浓度值，分别确定所述M个分类结果的分类误差；
将所述M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为所述灰度阈值；
其中，分类节点的浓度值是根据该节点的样本图像的浓度值确定，根节点的子节点的浓度值为所述根节点的子节点的所有样本图像的浓度值的平均值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述分类节点的样本图像的浓度值和所述M个分类结果中所述分类子节点的浓度值，分别确定所述M个分类结果的分类误差，包括：
计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值；所述第一节点和所述第二节点为，以目标预设灰度值作为初始阈值对所述分类节点的样本图像进行节点划分得到的分类子节点；所述目标预设灰度值为所述M个预设灰度值中的任意一个；
根据所述第一浓度均值确定所述第一节点的样本图像的浓度值的第一均值误差，根据所述第二浓度均值确定所述第二节点的样本图像的浓度值的第二均值误差；
根据所述第一均值误差与所述第二均值误差，确定以所述目标预设灰度值作为初始阈值的分类结果的分类误差。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括，通过以下方式确定所述分类回归树：
从训练集中选取第一预设数值的样本图像，确定为所述分类回归树的分类节点中的根节点的样本图像；所述训练集中包括第二预设数值的样本图像和所述第二预设数值的样本图像对应的浓度；所述第一预设数值小于或等于所述第二预设数值；
步骤A：基于所述根节点的灰度阈值，将所述根节点的样本图像划分至所述根节点的子节点；
步骤B：判断所述根节点的子节点是否满足终止条件；所述终止条件根据所述第一预设数值和所述分类回归树的深度确定；
步骤C：在所述根节点的子节点满足所述终止条件的情况下，获取所述根节点的子节点的浓度值；所述根节点的子节点的浓度值根据所述根节点的子节点的样本图像的浓度值确定；
步骤D：在所述根节点的子节点不满足所述终止条件的情况下，从所述根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点，之后重新执行所述步骤A和所述步骤B，直至满足所述终止条件，并在满足所述终止条件的情况下，执行所述步骤C；所述第三预设数值小于或等于所述第一预设数值；
基于所述步骤A至所述步骤D中得到的所述根节点、所述子节点以及所述根节点的灰度阈值，训练所述分类回归树。
4.根据权利要求1所述的方法，其特征在于，所述获取低密度脂蛋白试剂的目标图像，包括：
获取原始扫描图像；所述原始扫描图像中包括试剂容器所在区域；所述试剂容器用于盛放所述低密度脂蛋白试剂；
对所述原始扫描图像进行切割，得到至少一个区域图像；一个区域图像对应一个试剂容器；
对所述区域图像进行处理，得到所述区域图像的目标图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述区域图像进行处理，得到所述区域图像的目标图像，包括：
确定所述区域图像的第一分界线和第二分界线；所述第一分界线对应所述低密度脂蛋白试剂的液面；所述第二分界线对应所述低密度脂蛋白试剂的分层面；
基于所述第一分界线和所述第二分界线，对所述区域图像进行裁剪；
基于所述第二分界线对裁剪后的区域图像进行填充，且将所述区域图像填充为预设尺寸；
将填充后的所述预设尺寸的区域图像确定为所述目标图像。
6.一种低密度脂蛋白试剂浓度的确定装置，其特征在于，包括：
获取模块，用于获取低密度脂蛋白试剂的目标图像；
确定模块，用于通过预设随机森林模型，基于所述获取模块获取的所述目标图像中像素点的灰度值和所述预设随机森林模型中分类回归树的分类节点的灰度阈值，确定所述目标图像关联的目标分类节点，且根据所述目标分类节点的浓度值，确定所述低密度脂蛋白试剂的浓度；
训练模块，用于基于训练集、测试集以及第四预设数值N，分别训练N个所述分类回归树，得到所述预设随机森林模型；其中，所述第四预设数值N为预先确定的预设随机森林模型中分类回归树的数量；
所述确定模块，具体用于：在所述N个所述分类回归树中，确定所述目标图像关联的N个所述目标分类节点，将所述N个所述目标分类节点的浓度值的平均值，确定为所述低密度脂蛋白试剂的浓度；
分类模块，用于遍历分类节点的样本图像的像素点的灰度值，分别以M个预设灰度值作为初始阈值对分类节点的样本图像进行分类，得到M个分类结果；一个分类结果对应两个分类子节点，M为正整数；
所述确定模块，还用于：根据分类节点的样本图像的浓度值和M个分类结果中分类子节点的浓度值，分别确定M个分类结果的分类误差；将M个分类结果中，分类误差满足预设条件的分类结果对应的预设灰度值确定为灰度阈值；
其中，分类节点的浓度值是根据该节点的样本图像的浓度值确定，根节点的子节点的浓度值为所述根节点的子节点的所有样本图像的浓度值的平均值。
7.一种低密度脂蛋白试剂浓度的确定装置，其特征在于，包括存储器、处理器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接；
当所述低密度脂蛋白试剂浓度的确定装置运行时，处理器执行所述存储器存储的所述计算机执行指令，以使所述低密度脂蛋白试剂浓度的确定装置执行如权利要求1-5任意一项所述的低密度脂蛋白试剂浓度的确定方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当计算机执行所述指令时，使得所述计算机执行如权利要求1-5任意一项所述的低密度脂蛋白试剂浓度的确定方法。
CN202110510569.2A 2021-05-11 2021-05-11 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 Active CN113096125B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110510569.2A CN113096125B (zh) 2021-05-11 2021-05-11 低密度脂蛋白试剂浓度的确定方法、装置及存储介质
PCT/CN2022/091834 WO2022237746A1 (zh) 2021-05-11 2022-05-10 低密度脂蛋白试剂浓度的确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110510569.2A CN113096125B (zh) 2021-05-11 2021-05-11 低密度脂蛋白试剂浓度的确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113096125A CN113096125A (zh) 2021-07-09
CN113096125B true CN113096125B (zh) 2024-05-31

Family

ID=76665078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110510569.2A Active CN113096125B (zh) 2021-05-11 2021-05-11 低密度脂蛋白试剂浓度的确定方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN113096125B (zh)
WO (1) WO2022237746A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096125B (zh) * 2021-05-11 2024-05-31 上海宝藤生物医药科技股份有限公司 低密度脂蛋白试剂浓度的确定方法、装置及存储介质
CN113674367B (zh) * 2021-08-20 2024-03-26 上海宝藤生物医药科技股份有限公司 一种电泳后脂蛋白胆固醇试剂扫描图的预处理方法
CN113960146B (zh) * 2021-09-03 2024-04-16 上海淘源生物科技有限公司 脂蛋白亚分型检测方法及系统
CN115147395A (zh) * 2022-07-20 2022-10-04 上海宝藤生物医药科技股份有限公司 一种脂蛋白亚型组分划分方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4920498A (en) * 1985-08-17 1990-04-24 Olympus Optical Co., Ltd. Method of processing and analyzing electrophoretic image, and method of displaying electrophoregram and a medium for recording electrophoregram
EP2916117A1 (en) * 2014-03-05 2015-09-09 Scanadu Incorporated Quantifying color changes of chemical test pads induced by specific concentrations of biological analytes under different lighting conditions
CN105606608A (zh) * 2016-03-28 2016-05-25 广州博厚生物科技有限公司 基于图像灰度处理的数据计算方法及其在检测领域的应用
CN106198980A (zh) * 2010-08-13 2016-12-07 私募蛋白质体公司 胰腺癌生物标记及其用途
CN109030480A (zh) * 2018-08-16 2018-12-18 湖南友哲科技有限公司 样品分析方法、装置、可读存储介质及计算机设备
CN109919054A (zh) * 2019-02-25 2019-06-21 电子科技大学 一种基于机器视觉的试剂卡自动分类的检测方法
CN110738641A (zh) * 2019-10-07 2020-01-31 福州大学 基于图像处理及kelm的医药试剂浓度定性检测方法
CN111812091A (zh) * 2020-06-28 2020-10-23 上海交通大学 芯片凝胶电泳及其在线uv-vis成像检测装置
CN112700859A (zh) * 2020-12-15 2021-04-23 贵州小宝健康科技有限公司 一种基于医学影像的医疗诊断辅助方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9576356B2 (en) * 2015-05-08 2017-02-21 Siemens Healthcare Gmbh Region clustering forest for analyzing medical imaging data
JP7285214B2 (ja) * 2016-11-29 2023-06-01 プロテインシンプル 広範囲のタンパク質濃度を同時に検出する方法及び装置
CN107590510A (zh) * 2017-08-29 2018-01-16 上海联影医疗科技有限公司 一种图像定位方法、装置、计算机及存储介质
CN113096125B (zh) * 2021-05-11 2024-05-31 上海宝藤生物医药科技股份有限公司 低密度脂蛋白试剂浓度的确定方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4920498A (en) * 1985-08-17 1990-04-24 Olympus Optical Co., Ltd. Method of processing and analyzing electrophoretic image, and method of displaying electrophoregram and a medium for recording electrophoregram
CN106198980A (zh) * 2010-08-13 2016-12-07 私募蛋白质体公司 胰腺癌生物标记及其用途
EP2916117A1 (en) * 2014-03-05 2015-09-09 Scanadu Incorporated Quantifying color changes of chemical test pads induced by specific concentrations of biological analytes under different lighting conditions
CN105606608A (zh) * 2016-03-28 2016-05-25 广州博厚生物科技有限公司 基于图像灰度处理的数据计算方法及其在检测领域的应用
CN109030480A (zh) * 2018-08-16 2018-12-18 湖南友哲科技有限公司 样品分析方法、装置、可读存储介质及计算机设备
CN109919054A (zh) * 2019-02-25 2019-06-21 电子科技大学 一种基于机器视觉的试剂卡自动分类的检测方法
CN110738641A (zh) * 2019-10-07 2020-01-31 福州大学 基于图像处理及kelm的医药试剂浓度定性检测方法
CN111812091A (zh) * 2020-06-28 2020-10-23 上海交通大学 芯片凝胶电泳及其在线uv-vis成像检测装置
CN112700859A (zh) * 2020-12-15 2021-04-23 贵州小宝健康科技有限公司 一种基于医学影像的医疗诊断辅助方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像处理的体外诊断试剂浓度定量检测;黄宏博;计算机工程与应用;第47卷(第26期);184, 185, 192 *

Also Published As

Publication number Publication date
WO2022237746A1 (zh) 2022-11-17
CN113096125A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113096125B (zh) 低密度脂蛋白试剂浓度的确定方法、装置及存储介质
CN112016551B (zh) 文本检测方法、装置、电子设备及计算机存储介质
CN104899060B (zh) 一种图片加载处理方法和装置
CN107315989B (zh) 针对医学资料图片的文本识别方法和装置
CN111461243B (zh) 分类方法、装置、电子设备及计算机可读存储介质
CN108108731A (zh) 基于合成数据的文本检测方法及装置
CN113191235B (zh) 杂物检测方法、装置、设备及存储介质
US20240212336A1 (en) Security check ct object recognition method and apparatus
CN113256622A (zh) 基于三维图像的目标检测方法、装置及电子设备
US20210201086A1 (en) Training method and system of objects detection model based on adaptive annotation design
CN113361584B (zh) 模型训练的方法及装置、肺动脉高压的测量方法及装置
CN111260757A (zh) 一种图像处理方法、装置及终端设备
CN114943695A (zh) 医学序列影像的异常检测方法、装置、设备及存储介质
CN114550062A (zh) 图像中运动对象的确定方法、装置、电子设备和存储介质
CN110689019B (zh) Ocr识别模型的确定方法及装置
CN114596533A (zh) 跌倒姿态检测方法、装置、电子设备及可读存储介质
CN113657317A (zh) 一种货物位置识别方法、系统、电子设备及存储介质
CN110941399A (zh) 数据处理方法、装置和电子设备
CN110704617A (zh) 新闻文本的分类方法、装置、电子设备和存储介质
CN116643975B (zh) 图片生成模块输出稳定性的测试方法、系统及相关设备
CN113806371B (zh) 数据类型确定方法、装置、计算机设备及存储介质
CN117011867A (zh) 图像识别方法、装置、电子设备及计算机可读存储介质
CN111526263B (zh) 图像处理方法、装置及计算机系统
CN113139579B (zh) 一种基于图像特征自适应卷积网络的图像分类方法和系统
CN112783840B (zh) 一种存储文档的方法、装置、电子设备及存储介质

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
GR01 Patent grant