CN115393847A - 一种基质细胞功能状况的识别分析方法及装置 - Google Patents
一种基质细胞功能状况的识别分析方法及装置 Download PDFInfo
- Publication number
- CN115393847A CN115393847A CN202211341358.1A CN202211341358A CN115393847A CN 115393847 A CN115393847 A CN 115393847A CN 202211341358 A CN202211341358 A CN 202211341358A CN 115393847 A CN115393847 A CN 115393847A
- Authority
- CN
- China
- Prior art keywords
- stromal
- layer
- model
- edema
- condition
- 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
- 210000002536 stromal cell Anatomy 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 53
- 206010030113 Oedema Diseases 0.000 claims abstract description 128
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 210000003683 corneal stroma Anatomy 0.000 claims abstract description 11
- 210000004027 cell Anatomy 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 12
- 230000003915 cell function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 33
- 239000013598 vector Substances 0.000 description 15
- 239000000758 substrate Substances 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基质细胞功能状况的识别分析方法及装置,其中,方法包括:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型;向每个基质层分别设计并训练得到对应的水肿情况判别模型和基质细胞检测模型,获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;基于专家模型对识别结果进行分析,得到目标患者的基质细胞功能状况。通过综合考虑多个基质层的水肿情况和基质细胞密度,可以自动分析患者的基质细胞功能状况,给医生提供参考,有助于后续疾病的判断。
Description
技术领域
本发明涉及图像处理与机器学习技术领域,特别涉及一种基质细胞功能状况的识别分析方法及装置。
背景技术
活体角膜激光共聚焦显微镜图像中角膜基质层由浅到深可以分为三层:浅基质层、中基质层和深基质层。正常情况下,每层的基质细胞密度不同,浅基质层细胞密度最大,深基质层细胞密度最小,各层细胞密度有一个正常范围;各层基质细胞在正常状态下是单独分散存在的,异常状态时会相互黏连,呈蜂窝煤状,产生水肿,当严重水肿时,基质细胞无法识别和计算密度。因此,识别各基质层有无水肿、识别各基质层细胞密度是否正常是判断基质细胞功能状况的重要手段。目前实际情况下,需要专业医生逐层观察基质细胞并手动计数,依赖医生经验且费时费力,尚未存在自动分析基质细胞功能状况的方法。
因此,本发明提出一种基质细胞功能状况的识别分析方法与装置。
发明内容
本发明提供一种基质细胞功能状况的识别分析方法及装置,用以通过综合考虑多个基质层的水肿情况和基质细胞密度,可以自动分析患者的基质细胞功能状况,给医生提供参考,有助于后续疾病的判断。
本发明提供一种基质细胞功能状况的识别分析方法,包括:
步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;
步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
优选的,步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,包括:
收集不同基质细胞功能状况患者的各基质层共聚焦图像,存储每个患者脱敏后的个人信息和功能状况级别;
基于存储结果,从收集的图像中,筛选满足预设挑选条件的患者图像,构建专用数据库。
优选的,设计并训练得到对应的水肿情况判别模型和基质细胞检测模型,包括:
从所述专用数据库中,随机选取若干第一患者,并对所述第一患者的各基质层图像进行人工标注,获得标注数据集;
基于所述标注数据集,训练得到对应层的水肿情况判别模型和基质细胞检测模型;
其中,在对应模型训练结束后,还包括:
对所述专家数据库中的剩余患者的数量进行识别,获取对应的各层水肿情况和基质细胞位置,并对对应识别结果进行人工修正;
其中,所述专家数据库中存储有每个患者的各层水肿情况和基质细胞密度。
优选的,步骤2中,在设计并训练得到对应的水肿情况判别模型的过程中,还包括:
采用注意力机制, 优化所述水肿情况判别模型。
优选的,步骤3中,在设计并训练得到对应的基质细胞检测模型的过程中,还包括:
确定所述基质细胞检测模型的设计基质层,并按照所述设计基质层的层属性,确定候选框稀疏度;
基于所述稀疏度,对所述基质细胞检测模型进行优化。
优选的,步骤4,获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别,包括:
基于训练好的水肿情况判别模型,判断所述目标患者的共聚焦图像中是否存在出现水肿的层图像;
如果存在出现水肿的层图像,控制训练好的基质细胞检测模型不执行后续操作;
如果不存在出现水肿的层图像,基于训练好的基质细胞检测模型,获取对应层图像中每个细胞的位置,并获取对应层基质细胞的个数和密度。
优选的,基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况,包括:
统计所有基质功能健康的第二患者的各层细胞密度,汇总得到三个基质层细胞密度的正常范围;
根据所述专家数据库中存储的每个患者的各层细胞密度,获取每个患者各层细胞密度与对应正常范围的比较结果;
基于所述专家数据库中的每个患者的各层水肿情况和各层细胞密度与对应正常范围的比较结果,利用机器学习方法,训练专家模型,来建模各基质层水肿情况和细胞密度与基质细胞功能状况的关系。
本发明提供一种基质细胞功能状况的识别分析装置,包括:
专家模型构建模块,用于构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
水肿情况判别模型设计模块,用于向每个基质层分别设计对应的水肿情况判别模型,来识别有无水肿;
基质细胞检测模型设计模块,用于向每个基质层分别设计对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
识别模块,用于获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
基质细胞功能状况分析模块,用于基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
本发明提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基质细胞功能状况的识别分析方法的步骤。
本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基质细胞功能状况的识别分析方法的步骤。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基质细胞功能状况的识别分析方法的流程图;
图2为本发明实施例中预设切割的切割结构图;
图3为本发明实施例中一种基质细胞功能状况的识别分析装置的结构图;
图4为本发明实施例中电子设备的实体结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基质细胞功能状况的识别分析方法,如图1所示,包括:
步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;
步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
上述技术方案的有益效果是:通过综合考虑多个基质层的水肿情况和基质细胞密度,可以自动分析患者的基质细胞功能状况,给医生提供参考,有助于后续疾病的判断。
在一个实施例中,步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,包括:
收集不同基质细胞功能状况患者的各基质层共聚焦图像,存储每个患者脱敏后的个人信息和功能状况级别;
基于存储结果,从收集的图像中,筛选满足预设挑选条件的患者图像,构建专用数据库。
该实施例中,个人信息包括:年龄,性别,地区,人种;功能状况级别包括:健康、轻、中和重等。
该实施例中,预设挑选条件比如是:各基质层图像完整、清晰度正常、医生判别无歧义三种条件的组合。
上述技术方案的有益效果是:通过构建专家数据库,便于提供丰富的数据样本,且通过该数据库,可以有效的构建不同的模型,便于后续得到细胞功能状况。
在一个实施例中,设计并训练得到对应的水肿情况判别模型和基质细胞检测模型,包括:
从所述专用数据库中,随机选取若干第一患者,并对所述第一患者的各基质层图像进行人工标注,获得标注数据集;
基于所述标注数据集,训练得到对应层的水肿情况判别模型和基质细胞检测模型;
其中,在对应模型训练结束后,还包括:
对所述专家数据库中的剩余患者的数量进行识别,获取对应的各层水肿情况和基质细胞位置,并对对应识别结果进行人工修正;
其中,所述专家数据库中存储有每个患者的各层水肿情况和基质细胞密度。
该实施例中,随机选取一部分患者,可以视为第一患者,且由专业医生对这部分患者的各基质层图像进行人工标注,标注内容为各层图像有无水肿情况、各层图像中每个基质细胞的外接包围框,每个患者的各层图像以及标注组成有标注的数据集,用于训练水肿情况判别模型和基质细胞检测模型;所有模型训练好后,对剩余没有标注的患者数据进行识别,获得各层水肿情况和基质细胞位置,专业医生对识别结果进行人工修正;通过以上两步,专家数据库中针对每个患者都存储了各层水肿情况和基质细胞密度。
上述技术方案的有益效果是:通过构建模型,方便后续分析细胞功能状况,且通过修正,可以保证专家数据库中所有患者都存储了各层水肿情况和基质细胞密度。
在一个实施例中,步骤2中,在设计并训练得到对应的水肿情况判别模型的过程中,还包括:
采用注意力机制,优化所述水肿情况判别模型。
该实施例中,每个基质层都需要判断是否出现水肿,由于三个基质层图像模式有差别,这里对每层图像单独设计水肿情况判别模型,模型结构可以相似,但模型参数不同。
水肿情况判别模型是一个分类模型,可以基于经典分类网络(如ResNet,DenseNet等)改进。水肿情况判别的关键是判断细胞之间是否出现成片黏连,这里引入注意力机制模块,使得网络更关注黏连区域特征,对产生成片黏连的图像具有更强区分力。
上述技术方案的有益效果是:通过引入注意力机制,可以保证水肿情况判别模型的判别精准性。
在一个实施例中,步骤3中,在设计并训练得到对应的基质细胞检测模型的过程中,还包括:
确定所述基质细胞检测模型的设计基质层,并按照所述设计基质层的层属性,确定候选框稀疏度;
基于所述稀疏度,对所述基质细胞检测模型进行优化。
该实施例中,基质细胞检测模型可以输出图像中每个基质细胞的包围框坐标和置信度,由于三个基质层细胞密度有明显差异,这里同样对每层图像单独设计基质细胞检测模型。
基质细胞检测模型可以采用经典的两阶段(如Faster R-CNN等)或一阶段检测模型(如RetinaNet,Yolov3等),由于浅基质层细胞密度大,设置检测模型中候选框较稠密,而深基质层细胞密度相对小,检测模型中候选框较稀疏。
上述技术方案的有益效果是:通过对不同的基质层设置不同稀疏度的候选框,保证资源的最佳利用,且还可以提高模型对层图像识别的精准性和高效性,且通过训练基质细胞检测模型,可以自动定位各基质层细胞的位置。
在一个实施例中,步骤4,获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别,包括:
基于训练好的水肿情况判别模型,判断所述目标患者的共聚焦图像中是否存在出现水肿的层图像;
如果存在出现水肿的层图像,控制训练好的基质细胞检测模型不执行后续操作;
如果不存在出现水肿的层图像,基于训练好的基质细胞检测模型,获取对应层图像中每个细胞的位置,并获取对应层基质细胞的个数和密度。
上述技术方案的有益效果是:便于实现对共聚焦图像的有效识别,可以自动分析患者的基质细胞功能状况,为后续判断提供基础。
在一个实施例中,基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况,包括:
统计所有基质功能健康的第二患者的各层细胞密度,汇总得到三个基质层细胞密度的正常范围;
根据所述专家数据库中存储的每个患者的各层细胞密度,获取每个患者各层细胞密度与对应正常范围的比较结果;
基于所述专家数据库中的每个患者的各层水肿情况和各层细胞密度与对应正常范围的比较结果,利用机器学习方法,训练专家模型,来建模各基质层水肿情况和细胞密度与基质细胞功能状况的关系。
该实施例中,每项参数与密度有关,且比较结果,可以指的是当前数据与对应正常范围的比值,比如,当前数据对应的密度为a1,正常范围为[c1,c2],此时,如果a1不在[c1,c2]内,获取的比较结果为:a1-c1,以及a1-c2。
上述技术方案的有益效果是:通过水肿与密度的比较,可以自动分析患者的基质细胞功能状况,给医生提供参考,有助于后续疾病的判断。
在一个实施例中,基于对应的水肿情况判别模型进行识别之后,还包括:
当基于对应的水肿情况判别模型识别出所述目标患者存在水肿时,确定所述目标患者的历史水肿信息,确定所述目标患者的不同基质层的水肿频率,按照所述水肿频率,对基质层进行排序,并按照排序结果,由对应层的水肿情况判别模型,对对应层的图像进行像素分析;
获取对应层的层顺序,调取对应的预设分割触发条件,并结合像素分析结果,对所述对应层的图像进行预设切割,获得n1个不同形状的第一图像;
根据每个第一图像的图像边缘特征,从特征-标识数据库中,匹配对应的特征标识;
同时,从特征-关键点数据库中,确定初始关键点的第一位置以及对应的点提取规律,来确定对应第一图像的关键点分布,并按照所述关键点分布,确定对对应第一图像的当下分析精度;
确定与所述特征标识一致的第一识别场景以及与所述特征标识相关度大于预设度的相关标识的第二识别场景;
基于所述第一识别场景以及第二识别场景,确定对应的场景像素分析集合,确定历史平均分析精度;
若所述历史平均分析精度大于所述当下分析精度,调取对应的场景像素分析条件,按照场景像素分析条件,对像素分析结果进行优化,确定水肿区域,并控制基质细胞检测模型进行识别分析;
若所述历史平均分析精度不大于所述当下分析精度,保持对应层的水肿情况判别模型,对对应层的图像进行像素分析的结果不变,并控制基质细胞检测模型进行识别分析。
该实施例中,比如识别特征Y1,进而来获取与识别特征Y1一致的第一识别场景,以及与识别特征Y1相关度大于预设度的相关标识Y11的第二识别场景,以此,可以有效的基于相关标识Y11对应的场景,来对第一场景进行有效调整。
该实施例中,第一识别场景,可以指的是,历史分析过程中,与识别特征Y1一致的图像对应的历史水肿情况,第二识别场景,可以指的是,历史分析过程中,与相关标识Y11一致的图像对应的历史水肿情况,通过,上述两种情况,来获取该两种情况对应的历史像素分析集合,来确定历史平均精度;
通过历史平均精度与该对应分析精度的结合,比如:如果历史平均精度大于分析精度,调取历史像素分析过程中的分析条件,并与当下的分析条件结合,来获取需要再次对像素进行分析的条件,按照该条件,来对判别模型进行像素分析后的结果进行优化,得到水肿区域,保证该区域获取的精准性。
该实施例中,历史水肿信息,指的是患者在历史过程中,出现的水肿情况,基于该水肿情况,来确定浅基质层、中基质层以及深基质层分别对应的水肿历史,来确定不同基质层的历史水肿频率,通过该频率,来初步确定目标患者容易出现水肿的基质层,进而通过对频率由大到小的排序,按照顺序对不同基质层进行分析。
该实施例中,由于不同基质层存在对应的水肿情况判别模型,因此,通过由对应层的判别模型,来对对应基质层的图像进行识别,来获取识别结果,即为上述的像素分析,且通过像素分析,可以初步判断存在的水肿,因为水肿之后,对应基质层的某个区域的细胞并非单独的,而是会出现相互黏连的情况,因此,可以对该基质层的水肿区域进行初步确定。
该实施例中,确定的层顺序,比如为:浅基质层、深基质层、中基质层,此时,从预设分割数据库中,调取与浅基质层相关的预设分割触发条件,其中,预设分割数据库中,是包含不同基质层以及对应基质层的分割条件在内的,都是预先设置好的,就是为了对不同基质层的图像进行分割,在获取到预设分割触发条件之后,来对浅基质层图像进行分割,来获得若干第一图像。
该实施例中,如图2所示,A1表示对应的浅基质层的图像,A2表示分割之后的第一图像,A3表示对应的分割边缘线,A4是指由水肿情况判别模型进行像素分析之后确定的初始水肿区域。
该实施例中,图像边缘特征指的是该图像的边缘轮廓形状,且特征-标识数据库是预先设置好的,且包括不同边缘轮廓以及对应的轮廓对应标识在内,且特征-关键点数据库也是预先设置好的,且包括不同边缘轮廓以及对应轮廓形状的可提取关键点在内的,进而得到匹配的特征标识以及关键点分布。
该实施例中,关键点分布,是为了可以对第一图像进行精度分析,进而实现对整个基质层图像的完整有效的分析。
该实施例中,比如:存在第一图像1、第一图像2,对第一图像1的分析精度为90%,对第一图像2的分析精度为80%等,以此,来实现对该基质层图像的综合精度分析。
上述技术方案的有益效果是:通过对水肿区域的有效确定,可以西保证后续对该基质细胞功能状况的有效确定,避免因为水肿区域不完整或者包含区域过大,导致后续进行基质细胞检测的过程出现细胞密度失误,或者检测失败等的情况的出现,间接提高后续检测的可靠性,为后续医生的基础判断提供基础。
在一个实施例中,按照所述设计基质层的层属性,确定候选框稀疏度,并对所述基质细胞检测模型进行优化的过程中,还包括:
根据所述层属性,确定对应基质层的最大稀疏度和最小稀疏度,并按照最大稀疏度对基质细胞检测模型进行第一优化,同时,按照最小稀疏度对基质细胞检测模型进行第二优化;
按照第一优化结果,构建第一优化向量,同时,按照第二优化结果,构建第二优化向量,确定所述第一优化向量与第二优化向量中的相同参数元素值以及不同参数元素值,并构建相同参数元素的第一向量,以及不同参数元素的第一矩阵;
基于所述第一向量以及第一矩阵,确定综合优化程度W;
其中,n1表示第一向量中元素个数;n2表示第一矩阵中元素对个数;i3=1表示元素
对中的第1个元素;i3=2表示元素对中的第2个元素;表示第一向量中第i1个元素的元素
转换系数;表示第一向量中第i1个元素的元素值;表示第一向量中第i1个元素的标
准优化值;表示第i2个元素对中第i3个元素的元素转换系数;表示第i2个元素对
中第i3个元素的元素值;表示第i2个元素对中第i3个元素的标准优化值;Rmax表示最
大稀疏度;Rmin表示最小稀疏度;Rave表示基于稀疏度范围的平均稀疏度,且;
当所述综合优化程度W大于预设优化程度时,基于所述最大稀疏度和最小稀疏度,构建稀疏度范围;
同时,分析所述稀疏度范围的优化规律分布,并按照所述优化规律分布,对所述稀疏度范围中的关键稀疏度进行标签建立;
基于所述目标患者的当下水肿情况,与对应标签建立对应连接关系,并按照所述连接关系调用对应的稀疏度对所述基质细胞检测模型进行优化;
基于优化后的模型,对所述目标患者对应的基质层图像进行识别;
若所述综合优化程度W不大于预设优化程度,按照所述目标患者的当下水肿情况,从所述最大稀疏度和最小稀疏度中匹配最佳稀疏度,对所述基质细胞检测模型进行优化。
该实施例中,比如层属性是深基质层,此时,基于预先确定好的对应深基质层的稀疏度范围,来获取最大稀疏度和最小稀疏度,以此,来对检测模型分别优化,确定对应候选框的大小,以及按照该大小对深基质层进行分析。
该实施例中,第一优化以及第二优化,就是为了确定候选框的稀疏程度,以此,来实现对图像的框选,且通过框选内容,实现对细胞的检测。
该实施例中,比如,最大稀疏度对应的优化结果的第一优化向量为{1a 2w 3d},第二优化向量为{1a 2w 4f},此时,相同参数元素值为1a,2w,不同参数元素值为3d,4f。
该实施例中,元素转换系数是为了将不同类型的元素,转化为对应的标准数据,便于进行计算。
该实施例中,分布规律的确定是因为,在该稀疏度范围内,比如,从稀疏度大到稀疏度小所对应的稀疏度优化效果越好,或者从稀疏度小到稀疏度大所对应的稀疏度优化效果越好,又或者,范围内的中间稀疏度优化程度要比最大最小稀疏度的优化效果好等的情况,因此,来进行标签建立,是为了更好地对稀疏度的优化程度进行更好地确定。
该实施例中,通过建立连接关系,并后续调用稀疏度,实现有效优化。
该实施例中,先通过最大和最小的稀疏度来确定,可以保证后续是否需要继续进行稀疏度范围的构建,且不同稀疏度对应的优化结果是不同,但是,不代表,由大到小或者有小到大的稀疏度所对应的优化效果是逐渐递加或者递减的,因此,后续在进行优化规律分析的时候,是为了更好不同的稀疏度对检测模型的优化,可以避免不同稀疏度提前都对模型进行优化后,导致该模型的运行负载大。
该实施例中,比如,当下水肿情况是严重等级的,可以按照该严重等级,来从与标签建立关系,且标签是包含对应稀疏度以及对应的优化效果在内的。
上述技术方案的有益效果是:通过获取预设的最大和最小稀疏度,来对模型进行优化,以此,来确定最大、最小的优化区别,且通过优化向量的比较,来构建第一向量与第一矩阵,进而确定优化程度,且通过分析优化规律分布,来建立标签,后续通过水肿情况,来进行实际调用优化,保证检测模型是基于当下最贴合的情况进行的识别,保证识别的精准性和有效性,为后续进行细胞状况的分析提供精准基础。
本发明提供一种基质细胞功能状况的识别分析装置,如图3所示,包括:
专家模型构建模块,用于构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
水肿情况判别模型设计模块,用于向每个基质层分别设计对应的水肿情况判别模型,来识别有无水肿;
基质细胞检测模型设计模块,用于向每个基质层分别设计对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
识别模块,用于获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
基质细胞功能状况分析模块,用于基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行一种基质细胞功能状况的识别分析方法,包括:步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系; 步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的一种基质细胞功能状况的识别分析方法,包括:步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系; 步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的一种基质细胞功能状况的识别分析方法,包括:步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系; 步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种基质细胞功能状况的识别分析方法,其特征在于,包括:
步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
步骤2:向每个基质层分别设计并训练得到对应的水肿情况判别模型,来识别有无水肿;
步骤3:向每个基质层分别设计并训练得到对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
步骤4:获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
2.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,步骤1:构建包含角膜基质层共聚焦图像在内的专家数据库,包括:
收集不同基质细胞功能状况患者的各基质层共聚焦图像,存储每个患者脱敏后的个人信息和功能状况级别;
基于存储结果,从收集的图像中,筛选满足预设挑选条件的患者图像,构建专用数据库。
3.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,设计并训练得到对应的水肿情况判别模型和基质细胞检测模型,包括:
从所述专家数据库中,随机选取若干第一患者,并对所述第一患者的各基质层图像进行人工标注,获得标注数据集;
基于所述标注数据集,训练得到对应层的水肿情况判别模型和基质细胞检测模型;
其中,在对应模型训练结束后,还包括:
对所述专家数据库中的剩余患者的数量进行识别,获取对应的各层水肿情况和基质细胞位置,并对对应识别结果进行人工修正;
其中,所述专家数据库中存储有每个患者的各层水肿情况和基质细胞密度。
4.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,步骤2中,在设计并训练得到对应的水肿情况判别模型的过程中,还包括:
采用注意力机制,优化所述水肿情况判别模型。
5.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,步骤3中,在设计并训练得到对应的基质细胞检测模型的过程中,还包括:
确定所述基质细胞检测模型的设计基质层,并按照所述设计基质层的层属性,确定候选框稀疏度;
基于所述稀疏度,对所述基质细胞检测模型进行优化。
6.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,步骤4,获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别,包括:
基于训练好的水肿情况判别模型,判断所述目标患者的共聚焦图像中是否存在出现水肿的层图像;
如果存在出现水肿的层图像,控制训练好的基质细胞检测模型不执行后续操作;
如果不存在出现水肿的层图像,基于训练好的基质细胞检测模型,获取对应层图像中每个细胞的位置,并获取对应层基质细胞的个数和密度。
7.如权利要求1所述的基质细胞功能状况的识别分析方法,其特征在于,步骤5:基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况,包括:
统计所有基质功能健康的第二患者的各层细胞密度,汇总得到三个基质层细胞密度的正常范围;
根据所述专家数据库中存储的每个患者的各层细胞密度,获取每个患者各层细胞密度与对应正常范围的比较结果;
基于所述专家数据库中的每个患者的各层水肿情况和各层细胞密度与对应正常范围的比较结果,利用机器学习方法,训练专家模型,来建模各基质层水肿情况和细胞密度与基质细胞功能状况的关系。
8.一种基质细胞功能状况的识别分析装置,其特征在于,包括:
专家模型构建模块,用于构建包含角膜基质层共聚焦图像在内的专家数据库,基于专家数据库,利用机器学习方法构建专家模型,来分析各基质层水肿情况和细胞密度与基质细胞功能状况的关系;
水肿情况判别模型设计模块,用于向每个基质层分别设计对应的水肿情况判别模型,来识别有无水肿;
基质细胞检测模型设计模块,用于向每个基质层分别设计对应的基质细胞检测模型,来识别各个基质细胞的位置,进而获取各基质层的基质细胞的个数和密度;
识别模块,用于获取目标患者的每个基质层的共聚焦图像,并基于对应的水肿情况判别模型和基质细胞检测模型进行识别;
基质细胞功能状况分析模块,用于基于所述专家模型对识别结果进行分析,得到所述目标患者的基质细胞功能状况。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的基质细胞功能状况的识别分析方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基质细胞功能状况的识别分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341358.1A CN115393847B (zh) | 2022-10-31 | 2022-10-31 | 一种基质细胞功能状况的识别分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211341358.1A CN115393847B (zh) | 2022-10-31 | 2022-10-31 | 一种基质细胞功能状况的识别分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393847A true CN115393847A (zh) | 2022-11-25 |
CN115393847B CN115393847B (zh) | 2023-04-07 |
Family
ID=84114927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211341358.1A Active CN115393847B (zh) | 2022-10-31 | 2022-10-31 | 一种基质细胞功能状况的识别分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393847B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160183822A1 (en) * | 2012-08-17 | 2016-06-30 | Analytics For Life | Non-invasive method and system for characterizing cardiovascular systems |
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN110555856A (zh) * | 2019-09-09 | 2019-12-10 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于深度神经网络的黄斑水肿病变区域分割方法 |
CN112446860A (zh) * | 2020-11-23 | 2021-03-05 | 中山大学中山眼科中心 | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 |
CN112907581A (zh) * | 2021-03-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的mri多类脊髓肿瘤分割方法 |
CN114820325A (zh) * | 2022-05-19 | 2022-07-29 | 安徽理工大学 | 仿鹰视顶盖的眼底oct图像重建模型、方法、设备及存储介质 |
-
2022
- 2022-10-31 CN CN202211341358.1A patent/CN115393847B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160183822A1 (en) * | 2012-08-17 | 2016-06-30 | Analytics For Life | Non-invasive method and system for characterizing cardiovascular systems |
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN110555856A (zh) * | 2019-09-09 | 2019-12-10 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于深度神经网络的黄斑水肿病变区域分割方法 |
CN112446860A (zh) * | 2020-11-23 | 2021-03-05 | 中山大学中山眼科中心 | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 |
CN112907581A (zh) * | 2021-03-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的mri多类脊髓肿瘤分割方法 |
CN114820325A (zh) * | 2022-05-19 | 2022-07-29 | 安徽理工大学 | 仿鹰视顶盖的眼底oct图像重建模型、方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115393847B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021169161A1 (zh) | 图像识别方法、识别模型的训练方法及相关装置、设备 | |
CN109242864B (zh) | 基于多分支网络的图像分割结果质量评价方法 | |
TWI525317B (zh) | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 | |
CN111476774B (zh) | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN108319672B (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
CN111915418A (zh) | 一种互联网金融欺诈行为在线检测方法及其装置 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN111815564A (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
CN117392733B (zh) | 一种痤疮分级检测方法、装置、电子设备及存储介质 | |
CN116485817A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114998332A (zh) | 核型异常细胞的确定方法和装置 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN110060246A (zh) | 一种图像处理方法、设备及存储介质 | |
EP3176726A1 (en) | Method and device for positioning human eyes | |
CN115393847B (zh) | 一种基质细胞功能状况的识别分析方法及装置 | |
CN112393880A (zh) | 屏幕更换检测方法及装置 | |
CN111612749A (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN115393351B (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
CN111163332A (zh) | 视频色情度检测方法、终端及介质 |
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 |