CN116228764B - 一种新生儿疾病筛查血片采集质量检测方法及系统 - Google Patents
一种新生儿疾病筛查血片采集质量检测方法及系统 Download PDFInfo
- Publication number
- CN116228764B CN116228764B CN202310505814.XA CN202310505814A CN116228764B CN 116228764 B CN116228764 B CN 116228764B CN 202310505814 A CN202310505814 A CN 202310505814A CN 116228764 B CN116228764 B CN 116228764B
- Authority
- CN
- China
- Prior art keywords
- pixel
- initial seed
- points
- characteristic index
- point
- 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
Links
- 239000008280 blood Substances 0.000 title claims abstract description 103
- 210000004369 blood Anatomy 0.000 title claims abstract description 103
- 238000012216 screening Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 title claims abstract description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 39
- 208000020241 Neonatal disease Diseases 0.000 claims abstract description 18
- 208000037129 Newborn Diseases Infant Diseases 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 25
- 238000005562 fading Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 17
- 206010018910 Haemolysis Diseases 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 238000010790 dilution Methods 0.000 description 4
- 230000008588 hemolysis Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229920001817 Agar Polymers 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 244000005714 skin microbiome Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种新生儿疾病筛查血片采集质量检测方法及系统,该方法包括:获取新生儿在进行疾病筛查时的血滤纸样片的待检测图像,提取待检测区域;根据像素点与其邻域内像素点之间的像素值得到可能性程度,根据可能性程度筛选初始种子点;根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,根据初始种子点和其邻域内像素点的梯度方向得到第二特征指标;进而获得综合特征指标,标对初始种子点进行筛选得到优选种子点;利用优选种子点对待检测区域进行区域分割得到特征标记图像;根据特征标记图像获得血滤纸样片的质量检测结果。本发明能够获得较为准确的血滤纸样片的质量检测结果。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种新生儿疾病筛查血片采集质量检测方法及系统。
背景技术
新生儿疾病筛查是指通过血液检查对某些危害严重的先天性代谢病及内分泌病进行群体过筛。在对新生儿进行血液检查时需要获取采血滤纸获取新生儿的血滤纸样片。并且对采集到的血滤纸样本有较高的质量要求,不允许样本中出现溶血或者稀释褪色等情况的出现。因此,在通过血滤纸样片对新生儿进行血液检查时,对采集到的样本质量进行检测显得尤为重要。
现实中,常通过相关工作人员进行人工筛选,将质量较差的样本筛除,但是通过人工进行质量检测的方法效率较低。近来,利用机器视觉对血滤纸样片的质量进行筛查,解决了人工检测的效率较低的问题。其中,常通过对血滤纸样片图像中存在异常的区域进行分割,获得质量较差的血滤纸样片,进而将其筛除。
对图像进行分割的方法是多种多样的,作者为李启翮、罗予频和萧德云,文献名称为“基于流向标量场与快速扫掠法的图像分割”的文章中,通过将梯度向量流场与种子区域生长法相结合,提出一种新型的快速的自动图像分割法。该方法首先基于梯度向量流场构建一个流向标量场,然后提出一种新型的快速种子区域生长分割法——快速扫掠法(Fastscanning method,FSM)对标量场进行初始分割,最后采用区域邻接图对初始分割结果进行区域合并得到最终结果,该方法特点是分割速度快。但是,利用该方法对血滤纸样片图像进行分割时,由于血滤纸中的血斑颜色较为均一,使得种子点的选择较不准确,导致在利用该算法进行区域分割时获取的分割结果不准确,进而使得血滤纸样片质量检测结果的准确性较低。
发明内容
为了解决血滤纸样片质量检测结果的准确性较低的技术问题,本发明的目的在于提供一种新生儿疾病筛查血片采集质量检测方法,所采用的技术方案具体如下:
获取新生儿在进行疾病筛查时的血滤纸样片的灰度图像记为待检测图像,提取待检测图像中的连通域记为待检测区域;根据待检测区域内像素点与其邻域内像素点之间的像素值得到像素点的可能性程度,根据可能性程度筛选初始种子点;
根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标;
根据第一特征指标和第二特征指标得到综合特征指标,根据综合特征指标对初始种子点进行筛选得到优选种子点;利用优选种子点对待检测区域进行区域分割得到特征标记图像;根据特征标记图像获得血滤纸样片的质量检测结果。
优选地,所述第一特征指标的获取方法具体为:
对于待检测区域内任意一个初始种子点,分别获取初始种子点在预设数量个设定方向上的梯度幅值;对于任意一个设定方向,获取该设定方向上像素点的像素值与待检测区域的像素值均值之间的像素差异,根据初始种子点在每个设定方向上的梯度幅值和像素差异得到初始种子点的第一特征指标。
优选地,所述第一特征指标的计算公式具体为:
其中,表示初始种子点b的第一特征指标,/>表示设定方向的预设数量,/>表示初始种子点在第X个设定方向上的梯度幅值,/>表示在第X个设定方向上,从初始种子点b延伸至待检测区域边缘所经过路径上包含的像素点总数量,/>表示在第X设定方向上第j个像素点的像素值,/>表示待检测区域内所有像素点的像素值均值,/>为归一化函数。
优选地,所述可能性程度的获取方法具体为:
对于待检测区域中任意一个像素点,获取该像素点的像素值与其邻域内像素点的像素值之间的差值,计算该像素点与邻域内所有像素点之间对应的差值的均值,以均值的归一化值作为像素点的可能性程度。
优选地,所述根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标具体为:
对于待检测区域内任意一个初始种子点,获取初始种子点的梯度方向与其邻域内任意一个像素点的梯度方向之间的余弦相似度,以初始种子点与邻域内所有像素点对应的余弦相似度之和作为初始种子点的第二特征指标。
优选地,所述根据第一特征指标和第二特征指标得到综合特征指标具体为:
以第一特征指标和第二特征指标的乘积作为综合特征指标。
优选地,所述根据可能性程度筛选初始种子点具体为:
将可能性程度大于预设的程度阈值对应的像素点记为初始种子点。
优选地,所述根据综合特征指标对初始种子点进行筛选得到优选种子点具体为:
将初始种子点的综合特征指标按照降序进行排列得到特征指标序列,获取特征指标序列中相邻两个初始种子点的综合特征指标的差值记为特征差值,获取所有特征差值中最大值对应的两个初始种子点的综合特征指标,将其中取值较大的综合特征指标作为特征指标取值范围的下限,将所有初始种子点的综合特征指标的最大值作为特征指标取值范围的上限,所述下限和上限构成特征指标取值范围;将综合特征指标位于特征指标取值范围内的初始种子记为优选种子点。
优选地,所述根据特征标记图像获得血滤纸样片的质量检测结果具体为:
利用神经网络识别特征标记图像中的异常区域,若特征标记图像存在异常区域,则对应的待检测图像的血滤纸样片的质量检测结果为不合格。
本发明还提供了一种新生儿疾病筛查血片采集质量检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种新生儿疾病筛查血片采集质量检测方法的步骤。
本发明实施例至少具有如下有益效果:
本发明通过提取血滤纸样片图像中单个血斑所在区域记为待检测区域,根据待检测区域内像素点与其邻域内像素点之间的像素值得到像素点的可能性程度,根据可能性程度筛选初始种子点,通过对像素点与其邻域像素点的灰度变化关系进行分析,考虑到血斑样本正常情况下不存在较为明显的灰度变化异常区域,利用可能性程度表征像素点周围灰度变化情况,对像素点进行粗略的筛选得到初始种子点。进一步的,根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,表征了初始种子点周围的灰度偏离情况;根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标,表征了初始种子点与其邻域范围内像素点的梯度方向的差异情况;进一步考虑初始种子点周围灰度变化偏离程度以及灰度变化方向差异情况进行二次筛选,令筛选出的种子点位于异常部分的可能性得到提升,避免异常部分与正常灰度波动部分进行混淆,使得种子点的选择较为准确,提高了利用优选种子点进行区域分割的准确度,最终使血滤纸样片质量检测结果的准确性得到了提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的一种新生儿疾病筛查血片采集质量检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种新生儿疾病筛查血片采集质量检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种新生儿疾病筛查血片采集质量检测方法及系统的具体方案。
本发明所针对的具体场景为:对新生儿进行疾病筛查时需要采集血滤纸样片,在采集血液样本的过程中,可能会存在样本被液体稀释或者皮肤病菌将血液溶解的情况,导致最终采集到的血滤纸样片上的血斑存在异常部分,进而需要将存在异常部分的血滤纸样片筛选出来。
实施例1:
请参阅图1,其示出了本发明一个实施例提供的一种新生儿疾病筛查血片采集质量检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取新生儿在进行疾病筛查时的血滤纸样片的灰度图像记为待检测图像,提取待检测图像中的连通域记为待检测区域;根据待检测区域内像素点与其邻域内像素点之间的像素值得到像素点的可能性程度,根据可能性程度筛选初始种子点。
首先,采集新生儿在进行疾病筛查时的血滤纸样片的RGB图像,并获取RGB图像的灰度图像,在本实施例中,由于血滤纸样片上的血斑在正常情况下均呈现为红色,为了防止其他颜色存在干扰,同时,R通道下的通道值范围为0-255,与灰度范围是相同的,故本实施例将RGB图像的红色通道图像作为灰度图像,记为待检测图像。
需要说明的是,在采集新生儿的血滤纸样片的灰度图像之前,需要对血滤纸样片上的血斑进行初步筛选,获取外形符合检测标准的血斑所在的血滤纸样片进行图像的采集,血斑的外形检测标准为公知技术,在此不再过多赘述。
在新生儿的血滤纸样片中存在多个血斑区域,故需对待检测图像进行连通域分析,分别获取每个血斑存在的区域,即提取待检测图像中的连通域记为待检测区域。对图像进行连通域的提取方法为公知技术,在此不再过多介绍。
同时,需要说明的是,由于血斑的采集有严格的要求,通过机械测量能够将形状不规范的血斑样本筛除,而在采集样本的过程中血液稀释以及溶血都会使得血液样本颜色发生变化,出现褪色的现象,从而与正常的血斑样本存在一定的颜色差异,该差异利用物理测量难以区分,故需要利用机器视觉进行区域分割,将存在差异的部分分割出来。
在采集样本的过程中血液稀释以及溶血都会使得血液样本颜色发生变化,出现褪色的现象,表现在图像中,血斑所在区域像素点的像素值与正常像素点的像素值之间存在一定的差异。同时,在正常情况下,血斑部分的颜色较为均匀,若血斑所在区域像素点的像素值出现波动,则说明该血斑所在区域存在一定的异常情况。
基于此,根据待检测区域内像素点与其邻域内像素点之间的像素值得到像素点的可能性程度,具体地,对于待检测区域中任意一个像素点,获取该像素点的像素值与其邻域内像素点的像素值之间的差值,计算该像素点与邻域内所有像素点之间对应的差值的均值,以均值的归一化值作为像素点的可能性程度,用公式表示为:
其中,表示像素点a的可能性程度,/>表示像素点a的像素值,/>表示像素点a的邻域内第i个像素点的像素值,/>表示像素点a的邻域内包含的像素点数量,在本实施例中的取值为8,/>为归一化函数,/>表示对/>进行归一化处理。
表示像素点a和其邻域内第i个像素点之间的像素值差异,该差异越大,说明像素点a在邻域内出现灰度波动情况,在该像素点附近可能出现血斑采集异常的现象,例如褪色。/>表示像素点a和其邻域内所有像素点的像素值差异的均值,均值越大,说明在像素点a的邻域内越可能出现灰度波动情况,对应的可能性程度取值越大,说明像素点周围的灰度波动越大,像素点a作为种子点进行区域分割的效果越好。
像素点的可能性程度表征了像素点作为种子点的可能性,可能性程度的取值越大,说明像素点周围的灰度波动越大,对应的像素点作为种子点的可能性越大,同时,像素点作为种子点进行区域分割的效果越好。可能性程度的取值越小,说明像素点周围的灰度波动越小,对应的像素点作为种子点的可能性越小,同时,像素点作为种子点进行区域分割的效果较差。
通过像素点与其邻域内像素点的灰度值差值的均值表征了像素点在其邻域内存在的灰度差异情况,进而可以将邻域内存在较大的灰度差异的像素点筛选出来,作为种子点。即根据可能性程度筛选初始种子点。
具体地,将可能性程度大于预设的程度阈值对应的像素点记为初始种子点。在本实施例中,程度阈值的取值为0.5,实施者可根据具体实施场景进行设置,应当使得程度阈值的取值尽量较小,避免由于程度阈值的取值较高导致邻域存在较大灰度波动的像素点未被筛选出来,从而造成信息丢失。
当可能性程度大于0.5时,说明像素点在其邻域内灰度变化较大,则该像素点作为种子点进行区域分割的效果越好,进而将可能性程度大于0.5的像素点记为初始种子点。当可能性程度小于或等于0.5时,说明像素点在其邻域内灰度变化较小,则该像素点作为种子点进行区域分割的效果较差。利用程度阈值筛选出存在较为明显的灰度差异的像素点,避免存在极小灰度波动的部分也被分割出来,从而出现过分割的情况。
步骤二,根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标。
在采集血斑样本的过程中发生血液稀释或者溶血等,都会使得采集到的血斑出现褪色现象,与血斑正常颜色存在一定的差异。因此,可以通过对待检测区域内像素点的灰度值变化情况,对血斑所在区域是否存在颜色差异进行分析,筛选出存在灰度波动的像素点,作为初始种子点,进行粗略的筛选。进一步的,精确分析像素点周围像素值的变化特征,以确定准确的种子点,使得利用该种子点进行区域分割时的效果更加精确。
初始种子点与其邻域内像素点之间的像素值差异较大,说明初始种子点可能为血斑所在区域中存在异常的部分,进而可以根据初始种子点周围的纹理特征对利用初始种子点进行区域分割的效果进行简单的评估,选择效果较好的初始种子点,进行后续的区域分割操作。
在根据可能性程度对待检测区域内像素点进行筛选时,可能存在待检测区域内正常灰度波动的像素点被筛选出来,同样被记为初始种子点,如果直接利用初始种子点对待检测区域进行区域分割,可能会出现误分割的情况,影响血斑样本的质量检测结果。
同时,考虑到血斑所在区域自身可能存在较不均匀的情况,表现在图像中,待检测区域中可能存在一定的灰度变化。但是不均匀的部分产生灰度波动后,逐渐会与周围均匀的部分缩小灰度差异,产生可逆的灰度波动。血斑所在区域中若存在褪色的异常现象时,表现在图像中待检测区域中也可能存在一定的灰度变化。但是由于存在褪色异常现象可能使得待检测区域中褪色部分的面积较大,血斑自身不均匀部分的面积较小,且褪色部分的颜色逐渐变淡以至于颜色完全褪去,造成不可逆的灰度差异。
基于此,对于血斑样本中的褪色部分与正常灰度波动不同,褪色部分的灰度值与正常部分的灰度值之间存在较大差异,同时,在褪色部分灰度值的变化路径上灰度值不会向正常灰度值变化,因此可以通过分析像素点与周围像素点的灰度偏离程度,以及周围偏离延伸方向特征评估像素点作为种子点进行褪色部分所在区域分割的效果。
根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,具体地,对于待检测区域内任意一个初始种子点,分别获取初始种子点在预设数量个设定方向上的梯度幅值;对于任意一个设定方向,获取该设定方向上像素点的像素值与待检测区域的像素值均值之间的像素差异,根据初始种子点在每个设定方向上的梯度幅值和像素差异得到初始种子点的第一特征指标,用公式表示为:
其中,表示初始种子点b的第一特征指标,/>表示设定方向的预设数量,/>表示初始种子点在第X个设定方向上的梯度幅值,/>表示在第X个设定方向上,从初始种子点b延伸至待检测区域边缘所经过路径上包含的像素点总数量,/>表示在第X设定方向上第j个像素点的像素值,/>表示待检测区域内所有像素点的像素值均值,/>为归一化函数。
同时,需要说明的是,在本实施例中预设数量的取值为8,即设定方向分别为初始种子点的0°方向、45°方向、90°方向、135°方向、180°方向、225°方向、270°方向和315°方向,实施者可根据具体实施场景进行设置。
表示设定方向上第j个像素点的像素值与待检测区域的像素值均值之间的像素差异,像素差异越大,说明在初始种子点的该设定方向上发生颜色偏移现象越不可逆,进而说明在初始种子点的该设定方向上发生褪色异常现象的可能性越高。
表示设定方向上所有像素点对应的像素差异的均值,表征了该设定方向上像素点的像素值与待检测区域整体的像素值差异,初始种子点在设定方向的梯度幅值反映了设定方向上自身像素点之间的像素值关系,利用梯度幅值与像素差异的均值相乘,将整体与局部的差异进行综合考虑。梯度幅值的取值越大,说明在该设定方向上像素点之间的像素值差异越大,像素差异的均值取值越大,说明在该设定方向上像素点与待检测区域像素点之间的像素值差异越大,对应第一特征指标越大。
初始种子点的第一特征指标表征了初始种子点周围的灰度偏离情况,进而能够反映初始种子点属于褪色异常部分的可能性大小。第一特征指标越大,说明初始种子点周围不可逆的灰度偏离越多,进而说明初始种子点属于褪色异常部分的可能性越大,则利用该初始种子点进行区域分割的效果越好。第一特征指标越小,说明初始种子点周围不可逆的灰度偏离越少,进而说明初始种子点属于褪色异常部分的可能性越小,则利用该初始种子点进行区域分割的效果越差。
进一步的,对于待检测区域内的褪色异常部分,像素点的灰度变化趋势较为规律,而像素点的梯度方向指向灰度变化剧烈的方向,因此像素点的梯度方向较为一致。对于待检测区域内正常灰度波动部分的不均匀情况,使得像素点的灰度变化趋势较不规则,进而像素点的梯度方向也较为混乱。
基于此,根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标,具体地,对于待检测区域内任意一个初始种子点,获取初始种子点的梯度方向与其邻域内任意一个像素点的梯度方向之间的余弦相似度,以初始种子点与邻域内所有像素点对应的余弦相似度之和作为初始种子点的第二特征指标。
利用初始种子点的梯度方向与其邻域内任意一个像素点的梯度方向之间的余弦相似度,表征初始种子点的梯度方向与邻域内像素点的梯度方向之间的一致性程度,余弦相似度越大,说明两者的梯度方向较为一致,对应的第二特征指标的取值越大,说明初始种子点周围越可能是褪色异常部分。余弦相似度越小,说明两者的梯度方向越不一致,对应的第二特征指标的取值越小,说明初始种子点周围越可能属于正常灰度波动部分。
初始种子点的第二特征值表征了初始种子点与其邻域范围内像素点的梯度方向的差异情况。第二特征指标的取值越大,说明初始种子点与其邻域范围内像素点的梯度方向较为一致,说明初始种子点周围越可能是褪色异常部分,进而说明利用初始种子点进行区域分割的效果越好。第二特征指标的取值越小,说明初始种子点与其邻域范围内像素点的梯度方向越不一致,即初始种子点周围灰度变化方向较为混乱,说明初始种子点周围越可能是正常灰度波动部分,进而说明利用初始种子点进行区域分割的效果越差。
步骤三,根据第一特征指标和第二特征指标得到综合特征指标,根据综合特征指标对初始种子点进行筛选得到优选种子点;利用优选种子点对待检测区域进行区域分割得到特征标记图像;根据特征标记图像获得血滤纸样片的质量检测结果。
初始种子点的第一特征指标表征了初始种子点周围的灰度偏离情况,进而能够反映初始种子点属于褪色异常部分的可能性大小,考虑了初始种子点自身的灰度特征与其周围像素点的灰度变化特征,进而综合考虑了初始种子点在待检测区域内的灰度波动情况以及发生褪色异常部分的灰度特征。
初始种子点的第二特征值表征了初始种子点与其邻域范围内像素点的梯度方向的差异情况,考虑了褪色异常部分的灰度变化方向较为均一,而正常灰度波动部分的灰度变化方向较为混乱的灰度变化方向特征。
将灰度特征以及灰度变化方向特征进行综合,即根据第一特征指标和第二特征指标得到综合特征指标,具体地,以第一特征指标和第二特征指标的乘积作为综合特征指标,扩大了褪色异常部分与正常灰度波动的不均匀部分之间的特征差异。
综合特征指标的取值越大,说明初始种子点周围的灰度差异越大,初始种子点与其邻域范围内像素点的梯度方向的一致性较大,说明初始种子点属于褪色异常部分的可能性越大,利用初始种子点进行区域分割的效果越好。综合特征指标的取值越小,说明初始种子点周围的灰度差异越小,初始种子点与其邻域范围内像素点的梯度方向的一致性越小,说明初始种子点属于褪色异常部分的可能性越小,利用初始种子点进行区域分割的效果越差。
进一步的,根据综合特征指标对初始种子点进行筛选得到优选种子点。
将初始种子点的综合特征指标按照降序进行排列得到特征指标序列,获取特征指标序列中相邻两个初始种子点的综合特征指标的差值记为特征差值,获取所有特征差值中最大值对应的两个初始种子点的综合特征指标,将其中取值较大的综合特征指标作为特征指标取值范围的下限,将所有初始种子点的综合特征指标的最大值作为特征指标取值范围的上限,所述下限和上限构成了特征指标取值范围;将综合特征指标位于特征指标取值范围内的初始种子记为优选种子点。
在特征指标序列中,通过获取相邻的综合特征指标的差值的最大值所在位置对应的综合特征指标作为较小的标准值进行判断,扩大两类区域之间的特征差异,能够更加准确的获取褪色异常部分的种子点。
相较现有的快速扫琼算法中通过均值与标准差获取初始点,本发明实施例,首先通过对像素点与其邻域像素点的灰度变化关系进行分析,血斑样本正常情况下不存在较为明显的灰度变化异常区域,进而对出现较大灰度波动的像素点进行粗略的筛选得到初始种子点。进一步考虑初始种子点周围灰度变化偏离程度以及灰度变化方向差异情况进行二次筛选,令筛选出的种子点位于异常部分的可能性得到提升,避免异常部分与正常灰度波动部分进行混淆,增加了血斑样本质量检测的准确性。
最后,利用筛选得到的优选种子点对待检测区域进行区域分割,进而对待检测图像中每一个待检测区域做相同的处理,得到区域分割后的图像,记为特征标记图像。在本实施例中,利用快速扫琼法对待检测区域进行区域分割,其中,快速扫琼算法是作者为李启翮、罗予频和萧德云,文献名称为“基于流向标量场与快速扫掠法的图像分割”的文章中,提出的一种新型的快速种子区域生长分割法,在此不再过多介绍。
进而根据特征标记图像获得血滤纸样片的质量检测结果,在特征标记图像中将待检测图像中血斑所在区域存在异常的部分均分割出来,进而对特征标记图像中的区域进行识别,若存在异常部分,则说明待检测图像对应的血滤纸样片的质量较差,需要进行重新采集。
具体地,在本实施例中,利用神经网络识别特征标记图像中的异常区域,若特征标记图像存在异常区域,则对应的待检测图像的血滤纸样片的质量检测结果为不合格。
其中,神经网络结构为Encoder-Decoder结构,将特征标记图像输入训练好的神经网络中,输出特征标记图像中区域的识别结果,若存在异常区域,则说明特征标记图像对应的待检测图像的血滤纸样片的质量较差,即质量检测结果为不合格,需要进行重新采集。若不存在异常区域,则说明特征标记图像对应的待检测图像的血滤纸样片的质量较好,即质量检测结果为合格,不需要进行重新采集。
实施例2:
本实施例提供了一种新生儿疾病筛查血片采集质量检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种新生儿疾病筛查血片采集质量检测方法的步骤。由于实施例1已经对一种新生儿疾病筛查血片采集质量检测方法进行了详细的阐述,此处不再过多介绍。
以上所述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范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种新生儿疾病筛查血片采集质量检测方法,其特征在于,该方法包括以下步骤:
获取新生儿在进行疾病筛查时的血滤纸样片的灰度图像记为待检测图像,提取待检测图像中的连通域记为待检测区域;根据待检测区域内像素点与其邻域内像素点之间的像素值得到像素点的可能性程度,根据可能性程度筛选初始种子点;
根据初始种子点的梯度幅值和邻域内像素点的像素值得到第一特征指标,根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标;
根据第一特征指标和第二特征指标得到综合特征指标,根据综合特征指标对初始种子点进行筛选得到优选种子点;利用优选种子点对待检测区域进行区域分割得到特征标记图像;根据特征标记图像获得血滤纸样片的质量检测结果;
所述第一特征指标的获取方法具体为:
对于待检测区域内任意一个初始种子点,分别获取初始种子点在预设数量个设定方向上的梯度幅值;对于任意一个设定方向,获取该设定方向上像素点的像素值与待检测区域的像素值均值之间的像素差异,根据初始种子点在每个设定方向上的梯度幅值和像素差异得到初始种子点的第一特征指标;
所述可能性程度的获取方法具体为:
对于待检测区域中任意一个像素点,获取该像素点的像素值与其邻域内像素点的像素值之间的差值,计算该像素点与邻域内所有像素点之间对应的差值的均值,以均值的归一化值作为像素点的可能性程度;
所述根据初始种子点的梯度方向和其邻域内像素点的梯度方向得到第二特征指标具体为:
对于待检测区域内任意一个初始种子点,获取初始种子点的梯度方向与其邻域内任意一个像素点的梯度方向之间的余弦相似度,以初始种子点与邻域内所有像素点对应的余弦相似度之和作为初始种子点的第二特征指标;
所述根据第一特征指标和第二特征指标得到综合特征指标具体为:
以第一特征指标和第二特征指标的乘积作为综合特征指标。
2.根据权利要求1所述的一种新生儿疾病筛查血片采集质量检测方法,其特征在于,所述第一特征指标的计算公式具体为:
其中,表示初始种子点b的第一特征指标,/>表示设定方向的预设数量,/>表示初始种子点在第X个设定方向上的梯度幅值,/>表示在第X个设定方向上,从初始种子点b延伸至待检测区域边缘所经过路径上包含的像素点总数量,/>表示在第X设定方向上第j个像素点的像素值,/>表示待检测区域内所有像素点的像素值均值,/>为归一化函数。
3.根据权利要求1所述的一种新生儿疾病筛查血片采集质量检测方法,其特征在于,所述根据可能性程度筛选初始种子点具体为:
将可能性程度大于预设的程度阈值对应的像素点记为初始种子点。
4.根据权利要求1所述的一种新生儿疾病筛查血片采集质量检测方法,其特征在于,所述根据综合特征指标对初始种子点进行筛选得到优选种子点具体为:
将初始种子点的综合特征指标按照降序进行排列得到特征指标序列,获取特征指标序列中相邻两个初始种子点的综合特征指标的差值记为特征差值,获取所有特征差值中最大值对应的两个初始种子点的综合特征指标,将其中取值较大的综合特征指标作为特征指标取值范围的下限,将所有初始种子点的综合特征指标的最大值作为特征指标取值范围的上限,所述下限和上限构成特征指标取值范围;将综合特征指标位于特征指标取值范围内的初始种子记为优选种子点。
5.根据权利要求1所述的一种新生儿疾病筛查血片采集质量检测方法,其特征在于,所述根据特征标记图像获得血滤纸样片的质量检测结果具体为:
利用神经网络识别特征标记图像中的异常区域,若特征标记图像存在异常区域,则对应的待检测图像的血滤纸样片的质量检测结果为不合格。
6.一种新生儿疾病筛查血片采集质量检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,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1-5任一项所述的一种新生儿疾病筛查血片采集质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505814.XA CN116228764B (zh) | 2023-05-08 | 2023-05-08 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505814.XA CN116228764B (zh) | 2023-05-08 | 2023-05-08 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228764A CN116228764A (zh) | 2023-06-06 |
CN116228764B true CN116228764B (zh) | 2023-07-18 |
Family
ID=86575365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505814.XA Active CN116228764B (zh) | 2023-05-08 | 2023-05-08 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228764B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823811B (zh) * | 2023-08-25 | 2023-12-01 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
CN117437248B (zh) * | 2023-12-19 | 2024-03-08 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117876402B (zh) * | 2024-03-13 | 2024-05-07 | 中国人民解放军总医院第一医学中心 | 一种用于颞下颌关节紊乱病影像的智能分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6956975B2 (en) * | 2001-04-02 | 2005-10-18 | Eastman Kodak Company | Method for improving breast cancer diagnosis using mountain-view and contrast-enhancement presentation of mammography |
CN110874844A (zh) * | 2018-08-30 | 2020-03-10 | 京东方科技集团股份有限公司 | 线段检测方法、装置和设备 |
CN113627342B (zh) * | 2021-08-11 | 2024-04-12 | 人民中科(济南)智能技术有限公司 | 视频深度特征提取优化的方法、系统、设备及存储介质 |
CN114972329B (zh) * | 2022-07-13 | 2022-10-21 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115719344A (zh) * | 2022-11-24 | 2023-02-28 | 南通世森布业有限公司 | 用于纺织布料质检的面料缺陷分析识别方法 |
CN115619793B (zh) * | 2022-12-21 | 2023-03-10 | 深圳市澳博森科技有限公司 | 基于计算机视觉的电源适配器外观质量检测方法 |
CN115861317B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市伟利达精密塑胶模具有限公司 | 基于机器视觉的塑胶模具生产缺陷检测方法 |
CN115984271B (zh) * | 2023-03-20 | 2023-06-30 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
-
2023
- 2023-05-08 CN CN202310505814.XA patent/CN116228764B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116228764A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116228764B (zh) | 一种新生儿疾病筛查血片采集质量检测方法及系统 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
US11462032B2 (en) | Stain normalization for automated whole-slide image classification | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
Saad et al. | Automated region growing for segmentation of brain lesion in diffusion-weighted MRI | |
US20150004630A1 (en) | Cell-based tissue analysis | |
US20120177262A1 (en) | Feature Detection And Measurement In Retinal Images | |
JP2010540931A (ja) | 生物検体を処理するための複数の波長を用いる方法およびシステム | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
Ramani et al. | Data mining method of evaluating classifier prediction accuracy in retinal data | |
KR20180045473A (ko) | 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 | |
Zuñiga et al. | Grape maturity estimation based on seed images and neural networks | |
Garg et al. | A systematic analysis of various techniques for mango leaf disease detection | |
CN117808786B (zh) | 一种视网膜动脉分支角度变化关联预测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
Skodras et al. | Object recognition in the ovary: quantification of oocytes from microscopic images | |
CN118014443B (zh) | 一种药品的监测方法及装置 | |
CN116563289B (zh) | 一种基于机器视觉的贴标品质检测方法和系统 | |
CN118365635B (zh) | 一种包装覆膜表面缺陷视觉检测方法及系统 | |
CN109816637B (zh) | 一种眼底图像中硬性渗出区域的检测方法 | |
Suganthi et al. | A novel feature extraction method for identifying quality seed selection | |
Karthika et al. | Survey on convolutional neural network based efficient automated detection of micro aneurysm in diabetic retinopathy | |
Miao et al. | Light leaf spots segmentation algorithm based on colour difference vectors | |
US20210366107A1 (en) | Sensitivity analysis for digital pathology |
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 |