CN114155561A - 一种幽门螺杆菌定位方法及装置 - Google Patents
一种幽门螺杆菌定位方法及装置 Download PDFInfo
- Publication number
- CN114155561A CN114155561A CN202210117329.0A CN202210117329A CN114155561A CN 114155561 A CN114155561 A CN 114155561A CN 202210117329 A CN202210117329 A CN 202210117329A CN 114155561 A CN114155561 A CN 114155561A
- Authority
- CN
- China
- Prior art keywords
- helicobacter pylori
- image
- image block
- false positive
- model
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种幽门螺杆菌定位方法及装置,包括:将待检测图像划分为多个子图像块;根据子图像块在待检测图像中的位置,对子图像块进行标号;将子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定第一图像块中幽门螺杆菌的第一坐标;将第一图像输入至训练好的假阳筛查模型中,对第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;根据真阳幽门螺杆菌在第一图像块中的第一坐标以及第一图像块对应的子图像块的标号确定真阳幽门螺杆菌在待检测图像中的坐标。本申请能够快速识别待测病理切片图像中的幽门螺杆菌位置。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种幽门螺杆菌定位方法及装置。
背景技术
慢性胃炎、消化性溃疡、胃癌和MALT淋巴瘤的发病与幽门螺杆菌(HP)感染密切相关,根除HP可有效预防上述疾病。目前我国HP感染率高达40%~60%,大量患者需通过胃粘膜活检来做胃疾病诊断和HP检测,导致病理医生的劳动强度极大,诊断的准确性、一致性和可重复性较差;另一方面细菌级的小目标在光镜下识别比较困难,诊断费时费力,难防错漏。人工智能(AI)的迅速发展将深刻改变人类社会生活、改变世界,“AI+医疗”被人们寄予厚望,它可在减轻医疗负担的同时,减少误诊漏诊的发生。因此可以借助深度学习技术来辅助医生进行HP诊断,其需要在百万级像素的数字病理切片中定位每一个HP,进而对数字病理切片进行阴阳性分类,其难点主要包括:
小目标难点。大部分HP的面积都小于 32*32像素,相对于从一张数字病理切片上切割下来的512*512图像块来说每个HP仅占全图的3%,当切割下来的图像块被输入到骨干卷积神经网络中经过下采样处理后,小目标在特征图上的尺寸基本上只有个位数像素大小,进而无法完成后续的分类和定位任务。
假阳性难点。位于数字病理切片上的细胞分泌物、杂质等和HP有着相似的视觉特征,经过卷积神经网络提取到的这三者的特征存在“类内间距大类间间距小”的问题,从而导致细胞分泌物、杂质会被误判为HP。
发明内容
本申请提供了一种幽门螺杆菌定位方法及装置,使得快速识别待测病理切片图像中的幽门螺杆菌位置。
有鉴于此,本申请第一方面提供了一种幽门螺杆菌定位方法,所述方法包括:
将待检测图像划分为多个子图像块;
根据所述子图像块在所述待检测图像中的位置,对所述子图像块进行标号;
将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标;
将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
根据真阳幽门螺杆菌在所述第一图像块中的所述第一坐标以及所述第一图像块对应的所述子图像块的标号确定真阳幽门螺杆菌在所述待检测图像中的坐标。
可选的,所述将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌,具体为:
将所述第一图像块中所述第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对所述第二图像块进行分类,判断所述第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉所述第一图像块中的假阳幽门螺杆菌的位置信息。
可选的,所述将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标,具体为:
将所述子图像块输入训练好的幽门螺杆菌分割模型中;
判断所述子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的所述子图像块即为所述第一图像块;
计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为所述第一坐标。
可选的,在所述将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标,之前还包括:
获取大量包含幽门螺杆菌的训练图像,对所述训练图像中的幽门螺杆菌进行标注;
采用标注后的所述训练图像训练UNet++模型,所述UNet++模型在多个尺度预测所述训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;
将预测图像输入所述UNet++模型,得到多种尺度的掩模图,将所述掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
可选的,在将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌,之前还包括:
将多个只含有一个幽门螺杆菌的图像作为训练集;
将所述训练集输入至由VGGNet网络构成的所述假阳筛查模型中,对所述假阳筛查模型进行训练,得到训练好的所述假阳筛查模型。
本申请第二方面提供一种幽门螺杆菌定位装置,所述装置包括:
划分单元,用于将待检测图像划分为多个子图像块;
标号单元,用于根据所述子图像块在所述待检测图像中的位置,对所述子图像块进行标号;
分割单元,用于将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标;
筛出单元,用于将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
位置确定单元,用于根据真阳幽门螺杆菌在所述第一图像块中的所述第一坐标以及所述第一图像块对应的所述子图像块的标号确定真阳幽门螺杆菌在所述待检测图像中的坐标。
可选的,所述筛出单元具体用于将所述第一图像块中所述第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对所述第二图像块进行分类,判断所述第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉所述第一图像块中的假阳幽门螺杆菌的位置信息。
可选的,所述分割单元包括:
输入单元,用于将所述子图像块输入训练好的幽门螺杆菌分割模型中;
灰度设置单元,用于判断所述子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
判断单元,用于将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的所述子图像块即为所述第一图像块;
计算单元,用于计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为所述第一坐标。
可选的,还包括:
标注单元,用于获取大量包含幽门螺杆菌的训练图像,对所述训练图像中的幽门螺杆菌进行标注;
第一训练单元,用于采用标注后的所述训练图像训练UNet++模型,所述UNet++模型在多个尺度预测所述训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;
预测单元,用于将预测图像输入所述UNet++模型,得到多种尺度的掩模图,将所述掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
可选的,还包括:
第二训练单元,用于将多个只含有一个幽门螺杆菌的图像作为训练集;将所述训练集输入至由VGGNet网络构成的所述假阳筛查模型中,对所述假阳筛查模型进行训练,得到训练好的所述假阳筛查模型。
从以上技术方案可以看出,本申请具有以下优点:
本申请中,提供了一种幽门螺杆菌定位方法,包括:将待检测图像划分为多个子图像块;根据子图像块在待检测图像中的位置,对子图像块进行标号;将子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定第一图像块中幽门螺杆菌的第一坐标;将第一图像输入至训练好的假阳筛查模型中,对第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;根据真阳幽门螺杆菌在第一图像块中的第一坐标以及第一图像块对应的子图像块的标号确定真阳幽门螺杆菌在待检测图像中的坐标。
本申请首先将待测图像分块,从而对较小的图像块进行检测,采用幽门螺杆菌分割模型粗筛出具有幽门螺杆菌的图像块,再采用假阳筛查模型剔除具有幽门螺杆菌的图像块中的假阳幽门螺杆菌,根据剩余的幽门螺杆菌在图像块中位置,在待测图像中映射出幽门螺杆菌的具体坐标,从而完成对待测图像中待测图像的位置检测。
附图说明
图1为本申请一种幽门螺杆菌定位方法的一个实施例的方法流程图;
图2为本申请一种幽门螺杆菌定位方法的另一个实施例的方法流程图;
图3为本申请一种幽门螺杆菌定位装置的一个实施例的结构示意图;
图4为本申请一种幽门螺杆菌定位方法的一种具体实施方式的流程示意图;
图5为本申请实施例中幽门螺杆菌分割模型的输入和经过灰度区分后的示意图;
图6为本申请实施例中采用UNet++的图像分割模型的原理示意图;
图7为本申请实施例中采用VGGNet的假阳筛查模型的网络结构示意图。
具体实施方式
本申请首先将待测图像分块,从而对较小的图像块进行检测,采用幽门螺杆菌分割模型粗筛出具有幽门螺杆菌的图像块,再采用假阳筛查模型剔除具有幽门螺杆菌的图像块中的假阳幽门螺杆菌,根据剩余的幽门螺杆菌在图像块中位置,在待测图像中映射出幽门螺杆菌的具体坐标,从而完成对待测图像中待测图像的位置检测。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请一种幽门螺杆菌定位方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、将待检测图像划分为多个子图像块;
需要说明的是,对于病人的幽门螺杆菌的检测,可以采用病人的胃粘膜的病理切片图像作为待检测图像,本申请可以将放大后的待检测图像划分成多个小的子图像块。具体的,可以将待检测图像划分为多个大小一致且互不重叠的矩形子图像块。
102、根据子图像块在待检测图像中的位置,对子图像块进行标号;
需要说明的是,对待测图像进行划分时,可以按照从上到下从左到右的顺序将待测图像进行划分,则可以按照划分的顺序对子图像块进行标号。当然也可以按照从左到右从上到下的顺序进行划分。则划分后的子图像块的标记可以是xi,j,其中i=1,…,N;并且j=1,…,M;N可以表示待处理图像的每一行的子图像块个数,M可以表示待处理图像的每一列的子图像块个数。
103、将子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定第一图像块中幽门螺杆菌的第一坐标;
需要说明的是,本申请可以将子图像块输入至训练好的幽门螺杆菌分割模型中,幽门螺杆菌分割模型可以用于粗选出子图像块中类似于幽门螺杆菌的图形,从而找到所有子图像块中包含有类似幽门螺杆菌的图像块,并将其作为第一图像块,并计算其中幽门螺杆菌的中点作为幽门螺杆菌的第一坐标。
104、将第一图像输入至训练好的假阳筛查模型中,对第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
需要说明的是,将第一图像块输入至训练好的假阳筛查模型中,其中假阳筛查模型用于筛选出第一图像块中的真阳幽门螺杆菌,剔除其中的假阳幽门螺杆菌,从而完成对幽门螺杆菌的精准筛查。
105、根据真阳幽门螺杆菌在第一图像块中的第一坐标以及第一图像块对应的子图像块的标号确定真阳幽门螺杆菌在待检测图像中的坐标。
需要说明的是,筛选出真阳幽门螺杆菌后,可以根据真阳幽门螺杆菌在第一图像块中的第一坐标,以及第一图像块对应的子图像块的标号,例如xi,j知道第一图像块相对于待测图像的位置,从而可以计算出真阳幽门螺杆菌相对于待测图像的具体坐标。
本申请首先将待测图像分块,从而对较小的图像块进行检测,采用幽门螺杆菌分割模型粗筛出具有幽门螺杆菌的图像块,再采用假阳筛查模型剔除具有幽门螺杆菌的图像块中的假阳幽门螺杆菌,根据剩余的幽门螺杆菌在图像块中位置,在待测图像中映射出幽门螺杆菌的具体坐标,从而完成对待测图像中待测图像的位置检测。
201、将待检测图像划分为多个子图像块;
需要说明的是,对于病人的幽门螺杆菌的检测,可以采用病人的胃粘膜的病理切片图像作为待检测图像,本申请可以将放大后的待检测图像划分成多个小的子图像块,例如,可以在400×放大倍数下将待诊断的全场数字病理切片(待检测图像)划分成多个512*512像素点的大小一致且互不重叠的子图像块。
202、根据子图像块在待检测图像中的位置,对子图像块进行标号;
需要说明的是,对待测图像进行划分时,可以按照从上到下从左到右的顺序将待测图像进行划分,则可以按照划分的顺序对子图像块进行标号。当然也可以按照从左到右从上到下的顺序进行划分。则划分后的子图像块的标记可以是xi,j,其中i=1,…,N;并且j=1,…,M;N可以表示待处理图像的每一行的子图像块个数,M可以表示待处理图像的每一列的子图像块个数。
203、将子图像块输入训练好的幽门螺杆菌分割模型中;
204、判断子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
需要说明的是,将子图像块输入训练好的幽门螺杆菌分割模型中,判断子图像块为幽门螺杆菌的概率,可以将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置。例如,可以将概率大于等于0.5的像素点的像素值置为255,小于0.5处的像素点的像素值置为0,得到灰度值区分设置的分割结果。具体如图5所示,图5中的左图为输入进幽门螺杆菌分割模型的子图像块,对子图像块进行灰度值区分后,其中白色部分为幽门螺杆菌,黑色部分为背景。
205、将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的子图像块即为第一图像块;
需要说明的是,将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,本申请可以将包含幽门螺杆菌的子图像块即为第一图像块,由于每个幽门螺杆菌呈不规则椭圆状,因此可以采用OpenCV库检测每个不规则椭圆的轮廓并找其中心,将此中心点的坐标视为幽门螺杆菌的第一坐标,即图5中右侧图像中白点的坐标。
206、计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为第一坐标;
需要说明的是,可以将概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为第一坐标,并记录第一图像块以及第一图像块中包含的幽门螺杆菌的第一坐标。
在一种具体的实施方式中,在步骤206之前还包括:
获取大量包含幽门螺杆菌的训练图像,对训练图像中的幽门螺杆菌进行标注;采用标注后的训练图像训练UNet++模型,UNet++模型在多个尺度预测训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;将预测图像输入UNet++模型,得到多种尺度的掩模图,将掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
需要说明的是,本申请中每个幽门螺杆菌在切分后的图像块上仅占10个像素点,属于小目标。因此幽门螺杆菌定位模型可以采用UNet++分割出图像块中幽门螺杆菌的关键点。即在训练阶段在含有幽门螺杆菌标注的图像块数据集上训练UNet++在多个尺度预测图像块中的幽门螺杆菌,并使用交叉熵损失函数不断矫正网络在各个尺度下的预测结果,使网络输出与专业病理医生的标注不断接近。在预测阶段将待预测的图像块输入UNet++,得到四个不同尺度的掩模图,将所有掩模图上采样到相同尺度后进行平均得到最终的预测结果。其具体的采用UNet++网络的幽门螺杆菌分割模型的原理图如图6所示。对于采用UNet++的幽门螺杆菌分割模型,UNet++先使用解码对输入子图像块进行特征提取和压缩,之后通过解码恢复分辨率,解码过程中使用跳跃连接融合不同尺度的特征,再使用多种融合后的特征进行分割预测。
207、将第一图像块中第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对第二图像块进行分类,判断第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉第一图像块中的假阳幽门螺杆菌的位置信息;
需要说明的是,根据第一图像块中的第一坐标,抠出第一坐标附近的预设范围内的第二图像块,其中第二图像块中包含有待测的幽门螺杆菌,预设范围可以根据实际的幽门螺杆菌的大小进行设置,从而尽可能的使得第二图像块包含有整个待测的幽门螺杆菌。再将第二图像块输入至训练好的假阳筛查模型中,对第二图像块进行分类,判断第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉第一图像块中的假阳幽门螺杆菌的位置信息;若为真阳幽门螺杆菌,则保存该真阳幽门螺杆菌的第一坐标。
在一种具体的实施方式中,在步骤207之前还包括:将多个只含有一个幽门螺杆菌的图像作为训练集;将训练集输入至由VGGNet网络构成的假阳筛查模型中,对假阳筛查模型进行训练,得到训练好的假阳筛查模型。
需要说明的是,由于图像块中的杂质可能被幽门螺杆菌分割模型误判为幽门螺杆菌,因此使用假阳筛查模块筛除假阳图像块。将幽门螺杆菌分割模块中得到的第一图像块输入假阳筛查模型中,对其进行假阳、真阳分类。如图7所示,假阳筛查模块是对VGG16网络训练后获得,VGG16网络由卷积层堆叠组成,网络最后是全连接层以及softmax输出层,对VGG16网络模型的分类层进行了修改,使得向VGG16网络模型输入图像块后,网络输出此图像块为幽门螺杆菌图像块的概率。在训练过程中将网络模型参数初始化为在ImageNet上表现最佳的参数集,通过反向传播去微调网络的所有参数。假阳筛查模型可以采用VGGNet实现,其包含13个卷积层、2个全连接层和softmax层,具体可参考图7所示的网络结构。
208、根据真阳幽门螺杆菌在第一图像块中的第一坐标以及第一图像块对应的子图像块的标号确定真阳幽门螺杆菌在待检测图像中的坐标。
需要说明的是,筛选出真阳幽门螺杆菌后,可以根据真阳幽门螺杆菌在第一图像块中的第一坐标,以及第一图像块对应的子图像块的标号,例如xi,j知道第一图像块相对于待测图像的位置,从而可以计算出真阳幽门螺杆菌相对于待测图像的具体坐标。具体的,对于第一图像块对应的子图像块xi,j中位于第一坐标(x,y)的真阳幽门螺杆菌,若子图像块按照512*512像素点进行划分的,则可以使用公式(i*512+x,j*512+y)得到真阳幽门螺杆菌在全场数字病理切片中的位置。
本申请还提供了一种幽门螺杆菌定位装置的一个实施例,如图3所示,图3中包括:
划分单元301,用于将待检测图像划分为多个子图像块;
标号单元302,用于根据子图像块在所述待检测图像中的位置,对子图像块进行标号;
分割单元303,用于将子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定第一图像块中幽门螺杆菌的第一坐标;
筛出单元304,用于将第一图像输入至训练好的假阳筛查模型中,对第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
位置确定单元305,用于根据真阳幽门螺杆菌在第一图像块中的第一坐标以及第一图像块对应的子图像块的标号确定真阳幽门螺杆菌在待检测图像中的坐标。
在一种具体的实施方式中,筛出单元具体用于将第一图像块中第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对第二图像块进行分类,判断第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉第一图像块中的假阳幽门螺杆菌的位置信息。
在一种具体的实施方式中,分割单元303包括:
输入单元,用于将子图像块输入训练好的幽门螺杆菌分割模型中;
灰度设置单元,用于判断子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
判断单元,用于将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的子图像块即为第一图像块;
计算单元,用于计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为第一坐标。
在一种具体的实施方式中,还包括:
标注单元,用于获取大量包含幽门螺杆菌的训练图像,对训练图像中的幽门螺杆菌进行标注;
第一训练单元,用于采用标注后的训练图像训练UNet++模型,UNet++模型在多个尺度预测训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;
预测单元,用于将预测图像输入UNet++模型,得到多种尺度的掩模图,将掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
在一种具体的实施方式中,还包括:
第二训练单元,用于将多个只含有一个幽门螺杆菌的图像作为训练集;将训练集输入至由VGGNet网络构成的假阳筛查模型中,对假阳筛查模型进行训练,得到训练好的假阳筛查模型。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,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。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种幽门螺杆菌定位方法,其特征在于,包括:
将待检测图像划分为多个子图像块;
根据所述子图像块在所述待检测图像中的位置,对所述子图像块进行标号;
将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标;
将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
根据真阳幽门螺杆菌在所述第一图像块中的所述第一坐标以及所述第一图像块对应的所述子图像块的标号确定真阳幽门螺杆菌在所述待检测图像中的坐标;
所述将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌,具体为:
将所述第一图像块中所述第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对所述第二图像块进行分类,判断所述第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉所述第一图像块中的假阳幽门螺杆菌的位置信息。
2.根据权利要求1所述的幽门螺杆菌定位方法,其特征在于,所述将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标,具体为:
将所述子图像块输入训练好的幽门螺杆菌分割模型中;
判断所述子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的所述子图像块即为所述第一图像块;
计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为所述第一坐标。
3.根据权利要求1所述的幽门螺杆菌定位方法,其特征在于,在所述将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标,之前还包括:
获取大量包含幽门螺杆菌的训练图像,对所述训练图像中的幽门螺杆菌进行标注;
采用标注后的所述训练图像训练UNet++模型,所述UNet++模型在多个尺度预测所述训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;
将预测图像输入所述UNet++模型,得到多种尺度的掩模图,将所述掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
4.根据权利要求1所述的幽门螺杆菌定位方法,其特征在于,在将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌,之前还包括:
将多个只含有一个幽门螺杆菌的图像作为训练集;
将所述训练集输入至由VGGNet网络构成的所述假阳筛查模型中,对所述假阳筛查模型进行训练,得到训练好的所述假阳筛查模型。
5.一种幽门螺杆菌定位装置,其特征在于,包括:
划分单元,用于将待检测图像划分为多个子图像块;
标号单元,用于根据所述子图像块在所述待检测图像中的位置,对所述子图像块进行标号;
分割单元,用于将所述子图像块输入训练好的幽门螺杆菌分割模型中,输出包含幽门螺杆菌的第一图像块,并确定所述第一图像块中幽门螺杆菌的第一坐标;
筛出单元,用于将所述第一图像输入至训练好的假阳筛查模型中,对所述第一图像块中的假阳及真阳幽门螺杆菌进行分类,筛出假阳幽门螺杆菌;
位置确定单元,用于根据真阳幽门螺杆菌在所述第一图像块中的所述第一坐标以及所述第一图像块对应的所述子图像块的标号确定真阳幽门螺杆菌在所述待检测图像中的坐标;
所述筛出单元具体用于将所述第一图像块中所述第一坐标的预设范围内的第二图像块输入至训练好的假阳筛查模型中,对所述第二图像块进行分类,判断所述第二图像块中的幽门螺杆菌是否为假阳,若为假阳,则去掉所述第一图像块中的假阳幽门螺杆菌的位置信息。
6.根据权利要求5所述的幽门螺杆菌定位装置,其特征在于,所述分割单元包括:
输入单元,用于将所述子图像块输入训练好的幽门螺杆菌分割模型中;
灰度设置单元,用于判断所述子图像块为幽门螺杆菌的概率,将概率值大于等于预设第一阈值的像素点和概率值小于预设第一阈值的像素点的灰度值区分设置;
判断单元,用于将概率值大于等于预设第一阈值的像素点构成的轮廓认定为幽门螺杆菌,则包含幽门螺杆菌的所述子图像块即为所述第一图像块;
计算单元,用于计算概率值大于等于预设第一阈值的像素点构成的轮廓的中心位置坐标,记为所述第一坐标。
7.根据权利要求5所述的幽门螺杆菌定位装置,其特征在于,还包括:
标注单元,用于获取大量包含幽门螺杆菌的训练图像,对所述训练图像中的幽门螺杆菌进行标注;
第一训练单元,用于采用标注后的所述训练图像训练UNet++模型,所述UNet++模型在多个尺度预测所述训练图像中的幽门螺杆菌,并不断矫正网络在各个尺度下的预测结果;
预测单元,用于将预测图像输入所述UNet++模型,得到多种尺度的掩模图,将所述掩模图上采样到相同尺度后进行平均,得到最终的预测结果。
8.根据权利要求5所述的幽门螺杆菌定位装置,其特征在于,还包括:
第二训练单元,用于将多个只含有一个幽门螺杆菌的图像作为训练集;将所述训练集输入至由VGGNet网络构成的所述假阳筛查模型中,对所述假阳筛查模型进行训练,得到训练好的所述假阳筛查模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117329.0A CN114155561B (zh) | 2022-02-08 | 2022-02-08 | 一种幽门螺杆菌定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117329.0A CN114155561B (zh) | 2022-02-08 | 2022-02-08 | 一种幽门螺杆菌定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155561A true CN114155561A (zh) | 2022-03-08 |
CN114155561B CN114155561B (zh) | 2022-09-09 |
Family
ID=80450265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117329.0A Active CN114155561B (zh) | 2022-02-08 | 2022-02-08 | 一种幽门螺杆菌定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155561B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010211398A (ja) * | 2009-03-09 | 2010-09-24 | Denso Corp | 画像処理装置 |
CN112149664A (zh) * | 2020-09-04 | 2020-12-29 | 浙江工业大学 | 一种优化分类与定位任务的目标检测方法 |
CN112597902A (zh) * | 2020-12-24 | 2021-04-02 | 上海核工程研究设计院有限公司 | 一种基于核电安全的小目标智能识别方法 |
CN112633144A (zh) * | 2020-12-21 | 2021-04-09 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、系统、设备及存储介质 |
CN112819834A (zh) * | 2021-01-12 | 2021-05-18 | 平安科技(深圳)有限公司 | 基于人工智能的胃部病理图像的分类方法和装置 |
CN112991269A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 一种肺部ct图像的识别分类方法 |
CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、系统 |
-
2022
- 2022-02-08 CN CN202210117329.0A patent/CN114155561B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010211398A (ja) * | 2009-03-09 | 2010-09-24 | Denso Corp | 画像処理装置 |
CN112149664A (zh) * | 2020-09-04 | 2020-12-29 | 浙江工业大学 | 一种优化分类与定位任务的目标检测方法 |
CN112633144A (zh) * | 2020-12-21 | 2021-04-09 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、系统、设备及存储介质 |
CN112597902A (zh) * | 2020-12-24 | 2021-04-02 | 上海核工程研究设计院有限公司 | 一种基于核电安全的小目标智能识别方法 |
CN112819834A (zh) * | 2021-01-12 | 2021-05-18 | 平安科技(深圳)有限公司 | 基于人工智能的胃部病理图像的分类方法和装置 |
CN112991269A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 一种肺部ct图像的识别分类方法 |
CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、系统 |
Non-Patent Citations (2)
Title |
---|
KENTA ISHIHARA等: "Helicobacter Pylori infection detection from gastric X-ray images based on feature fusion and decision fusion", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
吴优等: "肺部CT图像多病种自动检测及分类", 《应用科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114155561B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
EP3531339B1 (en) | Image analysis method, image analysis apparatus and learned deep layer learning algorithm manufacturing method | |
EP3479348B1 (en) | Method and apparatus for real-time detection of polyps in optical colonoscopy | |
EP3486835A1 (en) | Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm | |
Ghosh et al. | CHOBS: Color histogram of block statistics for automatic bleeding detection in wireless capsule endoscopy video | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
EP2229867A1 (en) | Image processing device and image processing program | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN104135926A (zh) | 图像处理设备、图像处理系统、图像处理方法以及程序 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN114581375A (zh) | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 | |
CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及系统 | |
EP4046061A1 (en) | Weakly supervised multi-task learning for cell detection and segmentation | |
CN112700461A (zh) | 一种肺结节检测和表征类别识别的系统 | |
CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN114155561B (zh) | 一种幽门螺杆菌定位方法及装置 | |
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 | |
CN114080644A (zh) | 用于诊断小肠清洁度的系统和方法 | |
CN113130050A (zh) | 一种医学信息显示方法及显示系统 | |
CN113160261B (zh) | 一种用于oct图像角膜层分割的边界增强卷积神经网络 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for locating Helicobacter pylori Effective date of registration: 20230214 Granted publication date: 20220909 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: HANGZHOU DIYINGJIA TECHNOLOGY CO.,LTD. Registration number: Y2023980032543 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |