CN116602712A - 基于女性阴道分泌物样本评估系统 - Google Patents
基于女性阴道分泌物样本评估系统 Download PDFInfo
- Publication number
- CN116602712A CN116602712A CN202310597724.8A CN202310597724A CN116602712A CN 116602712 A CN116602712 A CN 116602712A CN 202310597724 A CN202310597724 A CN 202310597724A CN 116602712 A CN116602712 A CN 116602712A
- Authority
- CN
- China
- Prior art keywords
- image
- secretion
- module
- female
- unit
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 210000003756 cervix mucus Anatomy 0.000 title claims abstract description 37
- 230000028327 secretion Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 14
- 238000013499 data model Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 29
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 210000001215 vagina Anatomy 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 14
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 244000005700 microbiome Species 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 206010046901 vaginal discharge Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 208000015181 infectious disease Diseases 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 23
- 241000186660 Lactobacillus Species 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 241000894006 Bacteria Species 0.000 description 7
- 229940039696 lactobacillus Drugs 0.000 description 6
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 230000003071 parasitic effect Effects 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 210000004996 female reproductive system Anatomy 0.000 description 3
- 108010062877 Bacteriocins Proteins 0.000 description 2
- 229920002527 Glycogen Polymers 0.000 description 2
- 208000012868 Overgrowth Diseases 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940096919 glycogen Drugs 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000005000 reproductive tract Anatomy 0.000 description 2
- 210000004085 squamous epithelial cell Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0045—Devices for taking samples of body liquids
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/303—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the vagina, i.e. vaginoscopes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0045—Devices for taking samples of body liquids
- A61B2010/0074—Vaginal or cervical secretions
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Gynecology & Obstetrics (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Reproductive Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据识别技术领域,具体地说,涉及基于女性阴道分泌物样本评估系统。其包括分泌物取样单元、采集检测单元、图像处理单元和特征评估单元。本发明通过分泌物取样单元自主的采集阴道分泌物,然后对分泌物借助采集检测单元采集图像数据,针对图像数据通过图像处理单元进行视觉分析出分泌物的特征,从而实现场景数据模型的建立,使医生不需要接触患者进行诊断,避免传染的风险,同时,由特征评估单元评估特征,可以直观的多角度评估阴道健康,深入剖析患者的健康情况,有利于更丰富的信息输出,进一步提高了阴道分泌物的检测灵敏度和准确率。
Description
技术领域
本发明涉及数据识别技术领域,具体地说,涉及基于女性阴道分泌物样本评估系统。
背景技术
女性下生殖道为开放性腔道,是人体内重要的微生态区,正常情况下乳酸杆菌占阴道内寄生细菌的95%以上,以乳酸杆菌等优势菌为主组成微生态动态平衡系统。阴道内正常存在的乳杆菌对维持阴道正常菌群起着关键作用,阴道鳞状上皮细胞内的糖原经乳杆菌的作用分解成乳酸,使阴道的局部形成弱酸性环境,可以抑制其他寄生菌的过度生长,同时分泌过氧化氢、细菌素等抑制致病微生物生长,从而维持阴道微生态环境的平衡,然而在对女性生殖系统进行分析时,对女性阴道分泌物的检测评估格外重要,传统的女性生殖系统健康检测方法主要是通过医生的观察和手动检查,例如采集样本进行显微镜检查等,这种方法存在人为主观因素,操作复杂、耗时长,并且在进行手动检查时,增大了检查过程中交叉传染的风险,同时不方便医生直观的获取分泌物的信息,影响检测准确性,不利于后续的诊断和治疗,鉴于此,我们提出基于女性阴道分泌物样本评估系统。
发明内容
本发明的目的在于提供基于女性阴道分泌物样本评估系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供基于女性阴道分泌物样本评估系统,包括分泌物取样单元、采集检测单元、图像处理单元和特征评估单元;
所述分泌物取样单元用于识别女性阴道分泌物的位置,借助容器收集女性阴道分泌物样本;所述采集检测单元用于通过电子显微镜采集阴道分泌物样本的图像数据;所述图像处理单元用于分析采集检测单元图像数据对应的基础特征、运动模式图像和增强后的深度图像进行特征提取,生成场景数据模型;所述特征评估单元用于评估特征,使环境特征输入特征库内进行比对,输出健康状况。
作为本技术方案的进一步改进,所述分泌物取样单元包括图像采集模块、分泌物检测模块和定位驱动模块;
所述图像采集模块用于借助摄像头对女性阴道进行拍摄,并进行图像处理;所述分泌物检测模块用于采用卷积神经网络算法检测分泌物位置;所述定位驱动模块用于控制移动设备驱动容器移动到分泌物位置收集分泌物样本。
作为本技术方案的进一步改进,所述采集检测单元的电子显微镜采用高分辨率成像技术,包括以下步骤:
图像去噪、图像增强、图像恢复和图像配准。
作为本技术方案的进一步改进,所述图像去噪的表达式为:
p(yi|Y)∝p(yi)×p(y1,y2,...,yN)/p(Y)
其中,p(yi|Y)为第i帧图像的真实值yi的后验概率密度函数,p(yi)为先验概率,Y为观察值,yi表示第i帧图像,y1,y2,...,yN表示一个长度为N的图像序列,p(y1,y2,...,yN)/p(Y)表示似然函数;
所述图像增强的表达式为:
g(x,y)=T[f(x,y)]
其中,f(x,y)是原始输入图像的像素灰度值,g(x,y)是均衡化后的输出图像的像素灰度值,T是一个灰度映射函数。
作为本技术方案的进一步改进,所述图像处理单元包括基础特征提取模块、运动模式图像提取模块、深度图像提取模块和场景模型建立模块;
所述基础特征提取模块用于对图像数据进行基础特征提取;
所述运动模式图像提取模块用于动态图像数据,提取场景中目标物体的运动状态;
所述深度图像提取模块用于采集深度图像数据,并通过深度图像提取物体之间的距离信息,恢复分泌物的3D表面信息;
所述场景模型建立模块用于建立一个包含基础特征、运动状态和3D表面信息特征的场景数据模型。
作为本技术方案的进一步改进,所述基础特征包括颜色、纹理和形状。
作为本技术方案的进一步改进,所述深度图像提取模块的表达式为:
d=f*B/z
其中,d表示物体到相机的距离;f为相机的焦距;B为基线长度,即两个相机之间的距离;z为深度图像中图像坐标系下的深度值。
作为本技术方案的进一步改进,所述特征评估单元包括特征库、统计分析模块和指标评估模块;
所述特征库用于存储已有分泌物微生物的特征;所述统计分析模块用于对图像处理单元提取的特征使用卷积神经网络进行特征分类,并对检测物质进行标记;所述指标评估模块用于将检测物质的特征输入特征库内预测检测物质的类型和危害等级。
作为本技术方案的进一步改进,所述统计分析模块的卷积神经网络包括以下算法公式:
卷积层,卷积操作的计算公式如下:
y(i,j,k)=b(k)+∑x(m,n,h)h(i-m+1,j-n+1,h,k)
其中,y(i,j,k)表示卷积层中第k个卷积核对应输入数据(x)的(i,j)位置处的输出值;b(k)为第k个卷积核的偏置值;h为卷积核参数,大小为h*w*c;m和n是卷积核的水平和垂直方向偏移量;
池化层,池化操作的计算公式如下:
y(i,j,k)=max(x(m,n,k))
其中,y(i,j,k)表示池化层中第k个通道在位置(i,j)处的输出值;x(m,n,k)表示输入数据在位置(m,n)处的第k个通道的输入值;max表示在池化窗口内取最大值;
全连接层,全连接层中的每个节点均连接到前一层的所有节点,计算公式如下:
u=Wx+b
其中,W为权重矩阵,x为输入数据,b为偏置,y为输出特征。
与现有技术相比,本发明的有益效果:
该基于女性阴道分泌物样本评估系统中,通过分泌物取样单元自主的采集阴道分泌物,然后对分泌物借助采集检测单元采集图像数据,针对图像数据通过图像处理单元进行视觉分析出分泌物的特征,从而实现场景数据模型的建立,使医生不需要接触患者进行诊断,避免传染的风险,同时,由特征评估单元评估特征,可以直观的多角度评估阴道健康,深入剖析患者的健康情况,有利于更丰富的信息输出,进一步提高了阴道分泌物的检测灵敏度和准确率。
附图说明
图1为本发明的整体结构原理框图;
图2为本发明的图像处理单元原理框图。
图中各个标号意义为:
100、分泌物取样单元;110、图像采集模块;120、分泌物检测模块;130、定位驱动模块;
200、采集检测单元;
300、图像处理单元;310、基础特征提取模块;320、运动模式图像提取模块;330、深度图像提取模块;340、场景模型建立模块;
400、特征评估单元;410、特征库;420、统计分析模块;430、指标评估模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
女性下生殖道为开放性腔道,是人体内重要的微生态区,正常情况下乳酸杆菌占阴道内寄生细菌的95%以上,以乳酸杆菌等优势菌为主组成微生态动态平衡系统。阴道内正常存在的乳杆菌对维持阴道正常菌群起着关键作用,阴道鳞状上皮细胞内的糖原经乳杆菌的作用分解成乳酸,使阴道的局部形成弱酸性环境,可以抑制其他寄生菌的过度生长,同时分泌过氧化氢、细菌素等抑制致病微生物生长,从而维持阴道微生态环境的平衡,然而在对女性生殖系统进行分析时,对女性阴道分泌物的检测评估格外重要;
请参阅图1-图2所示,本实施例提供基于女性阴道分泌物样本评估系统,包括分泌物取样单元100、采集检测单元200、图像处理单元300和特征评估单元400;
分泌物取样单元100用于识别女性阴道分泌物的位置,借助容器收集女性阴道分泌物样本;
分泌物取样单元100包括图像采集模块110、分泌物检测模块120和定位驱动模块130;
图像采集模块110用于借助摄像头对女性阴道进行拍摄,并进行图像处理;分泌物检测模块120用于采用卷积神经网络算法检测分泌物位置,卷积神经网络算法是用于处理图像、语音识别等问题的专用神经网络,一般包括卷积层、池化层、全连接层和Softmax层,常用的CNN算法有Faster R-CNN,YOLO和SSD等,其中,SSD是一种以单个卷积神经网络进行物体检测和分类的方法,SSD算法在卷积神经网络的基础上设计了一个多个采样窗口的特征提取器,然后将这些特征与不同尺度的检测框进行卷积,最后输出分类和定位信息,SSD的损失函数采用了一个Softmax损失函数和一个Smooth L1损失函数,从而在图像中分析出分泌物位置;定位驱动模块130用于控制移动设备驱动容器移动到分泌物位置收集分泌物样本,在定位驱动模块130接收到分泌物检测模块120输出的分泌物位置后,控制移动设备驱动,移动设备可以采用电动、气动等方式实现容器移动,使容器可以位于分泌物位置收集分泌物样本,在收集时,可以借助采集器,具体可以选择为卫生棉条、含量采集器或专门的采集器进行自动收集。
采集检测单元200用于通过电子显微镜采集阴道分泌物样本的图像数据;
采集检测单元200的电子显微镜采用高分辨率成像技术,高分辨率成像技术适用于微观领域,例如细胞或微生物,电子显微镜采集的图像通常需要进行图像处理,以消除不必要的噪声和增强图像信号,以提高图像质量,包括以下步骤:
图像去噪:图像去噪是一个预处理步骤,当图像受到了噪声干扰时,需要进行去噪处理,去噪算法可以是基于滤波器的方法,也可以是基于神经网络的方法,例如:顺序贝叶斯滤波器、小波求解器去噪方法等;
图像增强:图像增强是一种图像处理技术,在不改变图像原始信息的情况下,通过图像增强技术使图像特征更突出,更加清晰,图像增强技术主要有基于直方图变换的方法、基于空域的方法、基于频域的方法、基于小波变换的方法等;
图像恢复:图像恢复就是尽可能地去除背景噪声来提高图像的质量,图像恢复方法可以是基于运动补偿技术的方法,也可以是基于去卷积技术的方法;
图像配准:图像配准是指将多幅图像校准到同一坐标系下,以便进一步进行图像分析,例如:配准算法有SIFT、SURF、ORB等。
并且,图像去噪的表达式为:
p(yi|Y)∝p(yi)×p(y1,y2,...,yN)/p(Y)
其中,p(yi|Y)为第i帧图像的真实值yi的后验概率密度函数,p(yi)为先验概率,Y为观察值,yi表示第i帧图像,y1,y2,...,yN表示一个长度为N的图像序列,p(y1,y2,...,yN)/p(Y)表示似然函数,具体的,在假设一个长度为N的图像序列为Y={y_1,y_2,...,y_N},其中yi表示第i帧图像,它可能被噪声干扰,贝叶斯滤波的目标是计算给定所有观察值Y即图像序列的条件下,第i帧图像的真实值yi的后验概率密度函数p(yi/Y),然后用该概率密度函数去除噪声干扰,贝叶斯公式表明,p(yi/Y)与先验概率p(yi)以及似然函数p(Y/yi)的乘积成正比,对于高斯白噪声下的图像,先验概率通常可以建模成一个高斯分布,似然函数也可以建模成高斯分布,其中均值为yi,方差可以通过噪声水平计算得到,因此,可以计算出每个yi的后验概率分布,并使用该分布重构去噪后的图像序列;
图像增强的表达式为:
g(x,y)=T[f(x,y)]
其中,f(x,y)是原始输入图像的像素灰度值,g(x,y)是均衡化后的输出图像的像素灰度值,T是一个灰度映射函数,可以由原始图像的累积分布函数推导得到,实现将原始图像的灰度分布均匀化,从而提高图像的对比度和亮度。
图像处理单元300用于分析采集检测单元200图像数据对应的基础特征、运动模式图像和增强后的深度图像进行特征提取,生成场景数据模型;
图像处理单元300包括基础特征提取模块310、运动模式图像提取模块320、深度图像提取模块330和场景模型建立模块340;
基础特征提取模块310用于对图像数据进行基础特征提取,可以使用传统的颜色直方图、灰度共生矩阵、边缘检测等方法提取这些特征;
运动模式图像提取模块320用于动态图像数据,提取场景中目标物体的运动状态,如速度、方向、加速度等特征,以及目标物体间的相对运动关系等特征,通常可以使用光流法或者背景差分法进行运动模式图像提取;
深度图像提取模块330用于采集深度图像数据,并通过深度图像提取物体之间的距离信息,恢复分泌物的3D表面信息,从而得到更全面的场景信息,可以使用RGB-D相机或者激光扫描仪等设备采集深度图像数据,然后使用标定和匹配算法恢复物体的3D表面信息;
场景模型建立模块340用于建立一个包含基础特征、运动状态和3D表面信息特征的场景数据模型,方便通过场景数据模型直观的确定阴道分泌物中的物质。
具体的,基础特征包括颜色、纹理和形状。
值得说明的,深度图像提取模块330的表达式为:
d=f*B/z
其中,d表示物体到相机的距离;f为相机的焦距;B为基线长度,即两个相机之间的距离;z为深度图像中图像坐标系下的深度值,通过表达式可以将深度图像中的像素坐标转换为物体的真实距离值,通过得到的距离信息,可以使用点云处理算法或者三角测量方法,重建出物体的3D表面信息,对于点云处理算法,可以将深度图像中的每个像素点从图像坐标系转换到相机坐标系,再根据相机的外参和内参将其转换到世界坐标系下,最后将离散的像素点组成点云数据,通过曲面重建等方法得到物体的3D表面信息,对于三角测量方法,可以在深度图像中对匹配的像素点组成三角形,从而得到分泌物表面的三维结构,具体计算坐标和构建三角形的算法可以使用Deluanay三角剖分方法,并通过二次拟合或者三次拟合等方法得到物体表面的曲面信息,提高了女性阴道分泌物样本检测、分析和评估的效率和准确性,优化了诊断流程,有助于临床医生更好地为病患提供相应的治疗建议,从而提高治疗效果。
特征评估单元400用于评估特征,使环境特征输入特征库内进行比对,输出健康状况可以帮助临床医师制定更为科学准确的诊断和治疗方案,对提高女性健康水平及防治相关妇科疾病具有重要临床应用价值;
特征评估单元400包括特征库410、统计分析模块420和指标评估模块430;
特征库410用于存储已有分泌物微生物的特征;统计分析模块420用于对图像处理单元300提取的特征使用卷积神经网络进行特征分类,并对检测物质进行标记检测物质如细胞、细菌或病毒;指标评估模块430用于将检测物质的特征输入特征库410内预测检测物质的类型和危害等级;实现在确定分泌物中物质的类型,确定分泌物中是否含有危害性的病毒,通过病毒的类型确定危害等级,方便角度评估阴道健康,深入剖析患者的健康情况,体现出其独特性和优越性。
统计分析模块420的卷积神经网络包括以下算法公式:
卷积层:卷积层主要负责从输入数据中提取特征,对于图像分类任务,可以将图像的像素作为输入数据,并在卷积层中使用多个卷积核对图像进行卷积操作,提取出图像中的特征信息,卷积操作的计算公式如下:
y(i,j,k)=b(k)+∑x(m,n,h)h(i-m+1,j-n+1,h,k)
其中,y(i,j,k)表示卷积层中第k个卷积核对应输入数据(x)的(i,j)位置处的输出值;b(k)为第k个卷积核的偏置值;h为卷积核参数,大小为h*w*c;m和n是卷积核的水平和垂直方向偏移量;
池化层:池化层主要用于降低特征图的分辨率、减少特征数量和参数数量,可以有效避免图像中的噪声干扰,常用的池化操作有最大池化、平均池化等,池化操作的计算公式如下:
y(i,j,k)=max(x(m,n,k))
其中,y(i,j,k)表示池化层中第k个通道在位置(i,j)处的输出值;x(m,n,k)表示输入数据在位置(m,n)处的第k个通道的输入值;max表示在池化窗口内取最大值;
全连接层:全连接层主要用于将卷积层和池化层的输出特征映射到分类标签上,实现特征分类的任务,全连接层中的每个节点均连接到前一层的所有节点,计算公式如下:
u=Wx+b
其中,W为权重矩阵,x为输入数据,b为偏置,y为输出特征;
对于检测物质并进行标记的算法,可以使用基于物体检测算法的图像标记方法,常用的物体检测算法包括Faster R-CNN、YOLO等,这些算法可将图像中目标的位置和类别信息提取出来,在检测到物质后,可以使用图像处理算法对图像进行标记,通过对标记后的图像进行展示,使医生能够更直观地了解图像中的物质信息。
综上,考虑到目前在对女性阴道分泌物进行评估时,存在人为主观因素,操作复杂、耗时长,并且在进行手动检查时,增大了检查过程中交叉传染的风险,同时不方便医生直观的获取分泌物的信息,影响检测准确性,不利于后续的诊断和治疗,因此,如图1所示,通过分泌物取样单元100自主的采集阴道分泌物,然后对分泌物借助采集检测单元200采集图像数据,针对图像数据通过图像处理单元300进行视觉分析出分泌物的特征,从而实现场景数据模型的建立,使医生不需要接触患者进行诊断,避免传染的风险,同时,由特征评估单元400评估特征,可以直观的多角度评估阴道健康,深入剖析患者的健康情况,有利于更丰富的信息输出,进一步提高了阴道分泌物的检测灵敏度和准确率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于女性阴道分泌物样本评估系统,其特征在于:包括分泌物取样单元(100)、采集检测单元(200)、图像处理单元(300)和特征评估单元(400);
所述分泌物取样单元(100)用于识别女性阴道分泌物的位置,借助容器收集女性阴道分泌物样本;所述采集检测单元(200)用于通过电子显微镜采集阴道分泌物样本的图像数据;所述图像处理单元(300)用于分析采集检测单元(200)图像数据对应的基础特征、运动模式图像和增强后的深度图像进行特征提取,生成场景数据模型;所述特征评估单元(400)用于评估特征,使环境特征输入特征库(410)内进行比对,输出健康状况。
2.根据权利要求1所述的基于女性阴道分泌物样本评估系统,其特征在于:所述分泌物取样单元(100)包括图像采集模块(110)、分泌物检测模块(120)和定位驱动模块(130);
所述图像采集模块(110)用于借助摄像头对女性阴道进行拍摄,并进行图像处理;所述分泌物检测模块(120)用于采用卷积神经网络算法检测分泌物位置;所述定位驱动模块(130)用于控制移动设备驱动容器移动到分泌物位置收集分泌物样本。
3.根据权利要求1所述的基于女性阴道分泌物样本评估系统,其特征在于:所述采集检测单元(200)的电子显微镜采用高分辨率成像技术,包括以下步骤:
图像去噪、图像增强、图像恢复和图像配准。
4.根据权利要求3所述的基于女性阴道分泌物样本评估系统,其特征在于:所述图像去噪的表达式为:
p(yi|Y)∝p(yi)×p(y1,y2,...,yN)/p(Y)
其中,p(yi|Y)为第i帧图像的真实值yi的后验概率密度函数,p(yi)为先验概率,Y为观察值,yi表示第i帧图像,y1,y2,...,yN表示一个长度为N的图像序列,p(y1,y2,...,yN)/p(Y)表示似然函数;
所述图像增强的表达式为:
g(x,y)=T[f(x,y)]
其中,f(x,y)是原始输入图像的像素灰度值,g(x,y)是均衡化后的输出图像的像素灰度值,T是一个灰度映射函数。
5.根据权利要求4所述的基于女性阴道分泌物样本评估系统,其特征在于:所述图像处理单元(300)包括基础特征提取模块(310)、运动模式图像提取模块(320)、深度图像提取模块(330)和场景模型建立模块(340);
所述基础特征提取模块(310)用于对图像数据进行基础特征提取;
所述运动模式图像提取模块(320)用于动态图像数据,提取场景中目标物体的运动状态;
所述深度图像提取模块(330)用于采集深度图像数据,并通过深度图像提取物体之间的距离信息,恢复分泌物的3D表面信息;
所述场景模型建立模块(340)用于建立一个包含基础特征、运动状态和3D表面信息特征的场景数据模型。
6.根据权利要求5所述的基于女性阴道分泌物样本评估系统,其特征在于:所述基础特征包括颜色、纹理和形状。
7.根据权利要求5所述的基于女性阴道分泌物样本评估系统,其特征在于:所述深度图像提取模块(330)的表达式为:
d=f*B/z
其中,d表示物体到相机的距离;f为相机的焦距;B为基线长度,即两个相机之间的距离;z为深度图像中图像坐标系下的深度值。
8.根据权利要求1所述的基于女性阴道分泌物样本评估系统,其特征在于:所述特征评估单元(400)包括特征库(410)、统计分析模块(420)和指标评估模块(430);
所述特征库(410)用于存储已有分泌物微生物的特征;所述统计分析模块(420)用于对图像处理单元(300)提取的特征使用卷积神经网络进行特征分类,并对检测物质进行标记;所述指标评估模块(430)用于将检测物质的特征输入特征库(410)内预测检测物质的类型和危害等级。
9.根据权利要求8所述的基于女性阴道分泌物样本评估系统,其特征在于:所述统计分析模块(420)的卷积神经网络包括以下算法公式:
卷积层,卷积操作的计算公式如下:
y(i,j,k)=b(k)+∑x(m,n,h)h(i-m+1,j-n+1,h,k)
其中,y(i,j,k)表示卷积层中第k个卷积核对应输入数据(x)的(i,j)位置处的输出值;b(k)为第k个卷积核的偏置值;h为卷积核参数,大小为h*W*c;m和n是卷积核的水平和垂直方向偏移量;
池化层,池化操作的计算公式如下:
y(i,j,k)=max(x(m,n,k))
其中,u(i,j,k)表示池化层中第k个通道在位置(i,j)处的输出值;x(m,n,k)表示输入数据在位置(m,n)处的第k个通道的输入值;max表示在池化窗口内取最大值;
全连接层,全连接层中的每个节点均连接到前一层的所有节点,计算公式如下:
y=Wx+b
其中,W为权重矩阵,x为输入数据,b为偏置,y为输出特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597724.8A CN116602712A (zh) | 2023-05-25 | 2023-05-25 | 基于女性阴道分泌物样本评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597724.8A CN116602712A (zh) | 2023-05-25 | 2023-05-25 | 基于女性阴道分泌物样本评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116602712A true CN116602712A (zh) | 2023-08-18 |
Family
ID=87681441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310597724.8A Pending CN116602712A (zh) | 2023-05-25 | 2023-05-25 | 基于女性阴道分泌物样本评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116602712A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104881631A (zh) * | 2015-04-16 | 2015-09-02 | 广西师范大学 | 多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置 |
CN112241713A (zh) * | 2020-10-22 | 2021-01-19 | 江苏美克医学技术有限公司 | 基于模式识别和深度学习的阴道微生物识别方法及装置 |
CN115485714A (zh) * | 2020-04-21 | 2022-12-16 | 赛多利斯生物分析仪器有限公司 | 三维生物样本的Z-stack图像集的图像处理与分割 |
CN115919374A (zh) * | 2023-02-22 | 2023-04-07 | 潍坊医学院附属医院 | 一种妇科分泌物的取样检测装置 |
-
2023
- 2023-05-25 CN CN202310597724.8A patent/CN116602712A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN104881631A (zh) * | 2015-04-16 | 2015-09-02 | 广西师范大学 | 多特征整合的宫颈细胞图像特征提取与识别方法及宫颈细胞特征识别装置 |
CN115485714A (zh) * | 2020-04-21 | 2022-12-16 | 赛多利斯生物分析仪器有限公司 | 三维生物样本的Z-stack图像集的图像处理与分割 |
CN112241713A (zh) * | 2020-10-22 | 2021-01-19 | 江苏美克医学技术有限公司 | 基于模式识别和深度学习的阴道微生物识别方法及装置 |
CN115919374A (zh) * | 2023-02-22 | 2023-04-07 | 潍坊医学院附属医院 | 一种妇科分泌物的取样检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107169998B (zh) | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 | |
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
CN108564567A (zh) | 一种超高分辨率病理图像癌变区域可视化方法 | |
CN116503392B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN113781439A (zh) | 超声视频病灶分割方法及装置 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN109410139A (zh) | 一种文物内部和表面病害数字化分析评估方法 | |
CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN112700409A (zh) | 视网膜微动脉瘤自动检测方法及成像方法 | |
CN116602712A (zh) | 基于女性阴道分泌物样本评估系统 | |
CN110598724B (zh) | 一种基于卷积神经网络的细胞低分辨率图像融合方法 | |
CN114092470B (zh) | 一种基于深度学习的肺裂自动检测方法及装置 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
CN111640126A (zh) | 基于医学影像的人工智能诊断辅助方法 | |
CN111640127A (zh) | 一种用于骨科的精准临床诊断导航方法 | |
CN111986216A (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN116630867B (zh) | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 | |
del Fresno et al. | Application of color image segmentation to estrus detection | |
Sun et al. | Study of circular recognition algorithm in statistics of microbubbles | |
WO2022160118A1 (zh) | 基于计算机视觉特征的oct图像分类方法及系统、设备 | |
CN113627231A (zh) | 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法 |
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 |