CN116824579B - 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 - Google Patents
基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 Download PDFInfo
- Publication number
- CN116824579B CN116824579B CN202310770614.7A CN202310770614A CN116824579B CN 116824579 B CN116824579 B CN 116824579B CN 202310770614 A CN202310770614 A CN 202310770614A CN 116824579 B CN116824579 B CN 116824579B
- Authority
- CN
- China
- Prior art keywords
- aggregation
- fluorescence
- parameter
- region
- fluorescent
- 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
- 238000003125 immunofluorescent labeling Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 42
- 241000235013 Yarrowia Species 0.000 title claims abstract description 24
- 241000233870 Pneumocystis Species 0.000 title description 2
- 201000000317 pneumocystosis Diseases 0.000 title description 2
- 230000002776 aggregation Effects 0.000 claims abstract description 502
- 238000004220 aggregation Methods 0.000 claims abstract description 502
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 206010035653 pneumoconiosis Diseases 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000010166 immunofluorescence Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 72
- 241000607734 Yersinia <bacteria> Species 0.000 claims description 47
- 108010043121 Green Fluorescent Proteins Proteins 0.000 claims description 40
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000010186 staining Methods 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 239000003086 colorant Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004043 dyeing Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 210000003046 sporozoite Anatomy 0.000 claims 1
- 239000002775 capsule Substances 0.000 description 20
- 210000003812 trophozoite Anatomy 0.000 description 17
- 238000005538 encapsulation Methods 0.000 description 16
- 208000031513 cyst Diseases 0.000 description 6
- 206010011732 Cyst Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000002993 trophoblast Anatomy 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000002919 epithelial cell Anatomy 0.000 description 2
- MHMNJMPURVTYEJ-UHFFFAOYSA-N fluorescein-5-isothiocyanate Chemical compound O1C(=O)C2=CC(N=C=S)=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 MHMNJMPURVTYEJ-UHFFFAOYSA-N 0.000 description 2
- 238000012757 fluorescence staining Methods 0.000 description 2
- VKYKSIONXSXAKP-UHFFFAOYSA-N hexamethylenetetramine Chemical compound C1N(C2)CN3CN1CN2C3 VKYKSIONXSXAKP-UHFFFAOYSA-N 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 1
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 1
- 208000029462 Immunodeficiency disease Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000003246 corticosteroid Substances 0.000 description 1
- 229960001334 corticosteroids Drugs 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 210000002744 extracellular matrix Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 235000010299 hexamethylene tetramine Nutrition 0.000 description 1
- 239000004312 hexamethylene tetramine Substances 0.000 description 1
- 239000003018 immunosuppressive agent Substances 0.000 description 1
- 229940124589 immunosuppressive drug Drugs 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 229950003937 tolonium Drugs 0.000 description 1
- HNONEKILPDHFOL-UHFFFAOYSA-M tolonium chloride Chemical compound [Cl-].C1=C(C)C(N)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 HNONEKILPDHFOL-UHFFFAOYSA-M 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及免疫荧光技术领域,揭露了一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置,包括:根据第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用目标神经网络进行前向传播计算,得到一次分类输出参数,根据一次分类输出参数,判断绿色荧光区域是否为灰区,若是,则根据二次分类输出参数对待处理样本进行分类,完若不是,则根据一次分类输出参数对所述待处理样本进行分类。本发明主要目的在于解决实验室对耶氏肺孢子菌的检测存在准确度低的问题。
Description
技术领域
本发明涉及一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置,属于免疫荧光技术领域。
背景技术
耶氏肺孢子菌是一种单细胞真核生物,存在于包括人在内的许多哺乳动物物种的肺中。耶氏肺孢子菌的易感人群包括早产儿、免疫缺陷疾病(如获得性免疫缺陷综合征)患者以及接受免疫抑制药物(如皮质类固醇)的患者。当耶氏肺孢子菌渗入肺组织后,会导致呼吸困难、发热和咳嗽。对耶氏肺孢子菌进行早期检测并结合适当的治疗可以提高患者存活的机会。目前,对耶氏肺孢子菌的检验诊断主要是通过放射学技术和对呼吸道标本进行染色寻找肺孢子菌包囊和滋养体完成的。常见的染色剂有甲苯胺蓝、六亚甲基四胺银或吉姆萨等。
由于常见的染色剂存在对耶氏肺孢子菌的敏感度较低的问题,Bio-Red公司开发了一套直接免疫荧光染色方法,即利用单克隆抗体与耶氏肺孢子菌的包囊、滋养体、孢子体和细胞外基质等特异性结合,与异硫氰酸荧光素(FITC)化学连接,从而形成具有低水平背景荧光的高度特异性直接免疫荧光染色方法。该方法对耶氏肺孢子菌的敏感度较高,但绿荧光背景杂质较多,对于耶氏肺孢子菌的形态解读规则不明确,致使实验室难以利用该方法的试剂盒获得明确的检测结果,从而易导致实验室对耶氏肺孢子菌的检测存在准确度低的问题。
发明内容
本发明提供一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法、装置及计算机可读存储介质,其主要目的在于解决实验室对耶氏肺孢子菌的荧光染色结果判读存在准确度低的问题。
为实现上述目的,本发明提供的一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法,包括:
获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域,在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;
根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;
根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;
分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;
根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;
根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;
根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;
若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测;
若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
可选地,所述获取待处理样本的免疫荧光染色图像,包括:
对所述待处理样品进行涂片染色,得到样本涂片;
利用预构建的荧光显微镜扫描所述样本涂片,得到样本染色图像。
可选地,所述计算所述荧光聚集区的直径范围,包括:
提取所述荧光聚集区的外部轮廓图形;
按照预定的间距单元在所述外部轮廓图形上选取区域尺寸标定点集;
在所述区域尺寸标定点集中依次选取尺寸标定起点,在所述区域尺寸标定点集中去除所述尺寸标定起点,得到尺寸标定终点集;
将所述尺寸标定起点依次与所述尺寸标定终点集中的尺寸标定终点依次连接,得到聚集区域直径集;
在所述聚集区域直径集中提取最小聚集区域直径及最大聚集区域直径,根据所述最小聚集区域直径及最大聚集区域直径构建所述荧光聚集区的直径范围。
可选地,所述根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,包括:
根据所述直径范围,利用预构建的直径公式计算所述荧光聚集区的聚集直径参数,得到聚集直径参数集;
对所述聚集直径参数集中的聚集直径参数从大至小进行排序,得到聚集直径参数序列;
依次获取所述聚集直径参数序列中每个聚集直径参数对应的荧光聚集区,得到荧光聚集序列。
可选地,所述直径公式,如下所示:
其中,di表示所述绿色荧光区域中第i个荧光聚集区的聚集直径参数,di-min表示所述绿色荧光区域中第i个荧光聚集区的最小聚集区域直径,di-max表示所述绿色荧光区域中第i个荧光聚集区的最大聚集区域直径。
可选地,所述分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状,包括:
分别计算所述第一荧光聚集区及第二荧光聚集区的区域面积,得到第一聚集区域面积及第二聚集区域面积;
根据所述第一聚集区域面积及第二聚集区域面积绘制第一标准聚集图形集及第二标准聚集图形集;
利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状;
利用所述第二荧光聚集区与所述第二标准聚集图形集中的每个第二标准聚集图形进行相似性比对,得到第二荧光聚集形状。
可选地,所述利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状,包括:
将所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行重叠平移,得到区域重叠图形集;
利用预构建的重叠差异度公式,计算所述区域重叠图形集中每一个区域重叠图形的重叠差异值,得到重叠差异值集;
在所述重叠差异值集中提取最小重叠差异值,判断所述最小重叠差异值是否大于预设的差异阈值;
若所述最小重叠差异值大于所述差异阈值,则判定所述第一荧光聚集形状为多形结构;
若所述最小重叠差异值不大于所述差异阈值,则提取所述最小重叠差异值对应的目标区域重叠图形;
提取所述目标区域重叠图形中的目标第一标准聚集图形,将所述目标第一标准聚集图形作为所述第一荧光聚集形状。
可选地,所述重叠差异度公式,如下所示:
Cj=(S1-y-Sj-g)+(Sj-b-Sj-g)
其中,Cj表示所述区域重叠图形集中第j个区域重叠图形的重叠差异值,S1-y表示所述第一荧光聚集区的区域面积,Sj-g表示所述区域重叠图形集的第j个区域重叠图形中第一荧光聚集区与所述第一标准聚集图形的重叠面积,Sj-b表示所述区域重叠图形集的第j个区域重叠图形中第一标准聚集图形的面积。
可选地,所述根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数之前,所述方法还包括:
在所述预构建的荧光区域训练数据集中依次提取荧光区域训练数据,其中所述荧光区域训练数据包括:第一聚集直径训练参数、第一聚集形状训练参数、第一轮廓荧光训练参数、第一内部荧光训练参数、第二聚集直径训练参数、第二聚集形状训练参数、第二轮廓荧光训练参数及第二内部荧光训练参数;
获取所述荧光区域训练数据的分类值域数据,对所述荧光区域训练数据制执行归一化操作,得到归一化训练数据;
将所述归一化训练数据输入预构建的原始神经网络,得到输入层训练数据;
初始化所述原始神经网络的输入层权重及隐藏层权重,得到输入层权重及隐藏层权重;
根据所述输入层训练数据与所述输入层权重计算输入和值,利用预构建的激活函数激活所述输入和值,得到隐藏层数据;
根据所述隐藏层权重与所述隐藏层数据计算隐藏层和值,利用所述激活函数激活所述隐藏层和值,得到输出数据;
计算所述输出数据与所述分类值域数据的训练差异值,判断所述训练差异值是否小于等于预设的差异阈值;
若所述训练差异值小于等于所述差异阈值,则将所述原始神经网络作为所述目标神经网络;
若所述训练差异值不小于等于所述差异阈值,则利用所述输出数据及分类值域数据,根据预构建的输出残差公式计算输出层残差;
根据所述输出层残差及所述隐藏层权重计算所述原始神经网络的中各隐藏层的残差求和值;
根据所述残差求和值、隐藏层数据及预构建的第二残差公式计算隐藏层残差;
根据所述归一化训练数据、隐藏层残差及预设的学习率计算输入层的权重调节因子,利用所述输入层的权重调节因子更新所述输入层权重;
根据所述隐藏层数据、输出层残差及所述学习率计算隐藏层的权重调节因子,利用所述隐藏层的权重调节因子更新所述隐藏层权重,返回上述将所述归一化训练数据输入预构建的原始神经网络的步骤,直至所述训练差异值小于等于所述差异阈值,得到所述目标神经网络。
为了解决上述问题,本发明还提供一种基于直接免疫荧光染色的耶氏肺孢子菌检测装置,所述装置包括:
直径参数提取模块,用于获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域;在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列;在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;
形状参数转换模块,用于分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
荧光参数转换模块,用于分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;
神经网络分类模块,用于根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类;若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以实现上述所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法。
相比于背景技术所述问题,本发明实施例在进行耶氏肺孢子菌的检测时,首先需要获取待处理样本的免疫荧光染色图像,然后在所述样本染色图像中识别绿色荧光区域,通过在所述绿色荧光区域中提取荧光聚集区,提取所述荧光聚集区后需要对其进行排序,从而得到可以用于计算的第一荧光聚集区及第二荧光聚集区,在对所述荧光聚集区进行排序时只要是根据荧光聚集区的直径范围大小排序,从而得到荧光聚集序列,再在所述荧光聚集序列提取第一荧光聚集区及第二荧光聚集区,此时可以对所述第一荧光聚集区及第二荧光聚集区进行参数的提取,得到第一荧光聚集区的第一聚集直径参数、第一荧光聚集形状、第一轮廓荧光色、第一内部荧光色及第二荧光聚集区的第二聚集直径参数、第二荧光聚集形状、第二轮廓荧光色、第二内部荧光色,由于目标神经网络不能直接输入形状或荧光色,因此需要将第一荧光聚集形状、第一轮廓荧光色、第一内部荧光色、第二荧光聚集形状、第二轮廓荧光色及第二内部荧光色利用形状参数转换表及光色参数转换表转换为对应的第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,最终再结合目标神经网络进行分类,从而最终得到所述待处理样本的一次分类输出参数,当通过所述一次分类输出参数判断所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,根据所述二次分类输出参数对所述待处理样本进行分类,若所述绿色荧光区域不是灰区,则可以直接根据所述一次分类输出参数对所述待处理样本进行分类,从而完成基于直接免疫荧光染色的耶氏肺孢子菌检测。因此本发明提出的基于直接免疫荧光染色的耶氏肺孢子菌检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决实验室对耶氏肺孢子菌的检测存在准确度低的问题。
附图说明
图1为本发明一实施例提供的基于直接免疫荧光染色的耶氏肺孢子菌检测方法的流程示意图;
图2为样本涂片染色成功时的样本染色图像;
图3为只存在单个包囊的样本染色图像;
图4为只存在2个包囊的样本染色图像;
图5为只存在多个包囊组成的包囊团的样本染色图像;
图6为只存在滋养体的样本染色图像;
图7为无耶氏肺孢子菌包囊、包囊团及滋养体形态特征的样本染色图像;
图8为本发明一实施例提供的基于直接免疫荧光染色的耶氏肺孢子菌检测装置的功能模块图;
图9为本发明一实施例提供的实现所述基于直接免疫荧光染色的耶氏肺孢子菌检测方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法。所述基于直接免疫荧光染色的耶氏肺孢子菌检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于直接免疫荧光染色的耶氏肺孢子菌检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
参照图1所示,为本发明一实施例提供的基于直接免疫荧光染色的耶氏肺孢子菌检测方法的流程示意图。在本实施例中,所述基于直接免疫荧光染色的耶氏肺孢子菌检测方法包括:
S1、获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域,在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围。
可理解的,所述待处理样本可以为可能含有耶氏肺孢子菌的肺泡灌洗液样本。所述样本染色图像指所述待处理样本经过直接荧光染色后,利用荧光显微镜观察到的图像。所述绿色荧光区域指所述样本染色图像中显示为绿色荧光色的区域。所述荧光聚集区指所述绿色荧光区域中显示为单个绿色荧光色的区域,所述绿色荧光区域可以由一个或多个分开的荧光聚集区组成。所述直径范围指所述荧光聚集区的最小边界距离和最大边界距离组成的距离范围。
本发明实施例中,所述获取待处理样本的免疫荧光染色图像,包括:
对所述待处理样品进行涂片染色,得到样本涂片;
利用预构建的荧光显微镜扫描所述样本涂片,得到样本染色图像。
可解释的,所述样本涂片指成功进行涂片染色的的待处理样本,当所述待处理样本中的上皮细胞或其它生物材料被染成红色、橘黄色或金色时,表示涂片染色成功。具体可参阅图2所示,在利用所述荧光显微镜扫描所述样本图片时需要在荧光显微镜的高倍镜(400×)或油镜(1000×)下调整所述荧光显微镜的物镜与载物台的距离,以找到对焦清晰的免疫样本染色图像,当在视野中观察到清晰的红色或黄色上皮细胞或其它生物细胞材料时表示此时物镜与载物台的距离为最佳对焦距离。
本发明实施例中,所述计算所述荧光聚集区的直径范围,包括:
提取所述荧光聚集区的外部轮廓图形;
按照预定的间距单元在所述外部轮廓图形上选取区域尺寸标定点集;
在所述区域尺寸标定点集中依次选取尺寸标定起点,在所述区域尺寸标定点集中去除所述尺寸标定起点,得到尺寸标定终点集;
将所述尺寸标定起点依次与所述尺寸标定终点集中的尺寸标定终点依次连接,得到聚集区域直径集;
在所述聚集区域直径集中提取最小聚集区域直径及最大聚集区域直径,根据所述最小聚集区域直径及最大聚集区域直径构建所述荧光聚集区的直径范围。
应明白的,所述外部轮廓图形指所述荧光聚集区的边缘形状,所述荧光聚集区存在单个包囊、2个或2个以上分散的包囊、多个包囊组成的包囊团或滋养体这四种情况,也可能同时存在这四种情况中的两种、三种或四种,例如:同时存在单个包囊及多个包囊组成的包囊团;同时存在单个包囊及滋养体;同时存在多个包囊组成的包囊团及滋养体等等(即所述单个包囊与2个或2个以上分散的包囊两者不能同时存在,其他情况都可能存在)。不同情况的荧光聚集区有着不同的边缘形状,例如:单个包囊的外部轮廓图形为圆形或椭圆形;多个包囊组成的包囊团的外部轮廓图形为较大的一团不规则形状(由多个圆形或椭圆形交叠呈现),滋养体的外部轮廓图形为较小的新月形或多形结构。所述多形结构指不规则的形状。所述单个包囊的直径在5-8μm,所述滋养体的直径在1-4μm。
详细地,所述荧光聚集区存在单个包囊的情况可参阅图3,所述荧光聚集区存在2个包囊的情况可参阅图4,所述荧光聚集区存在多个包囊组成的包囊团的情况可参阅图5,所述荧光聚集区存在滋养体的情况可参阅图6。
进一步地,所述间距单元为预设的长度单元,可以为1μm。所述区域尺寸标定点集指按照所述间距单元在所述外部轮廓图形上选取等间距选取的标定点集合。所述最小聚集区域直径指所述外部轮廓图形的边缘上任意两个标定点的距离最小值,所述最大聚集区域直径指所述外部轮廓图形的边缘上任意两个标定点的距离最大值。
S2、根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数。
可理解的,所述荧光聚集序列指按照直径范围对所述荧光聚集区从大到小排序得到的序列(需注意的是,所述荧光聚集序列需要将无耶氏肺孢子菌包囊、包囊团及滋养体形态特征的荧光聚集区排除,本发明实施例仅针对有耶氏肺孢子菌包囊、包囊团及滋养体形态特征的荧光聚集区进行排序,所述荧光聚集区无耶氏肺孢子菌包囊、包囊团及滋养体形态特征时,表明待处理样本为阴性,可参阅图7。所述第一荧光聚集区指所述荧光聚集序列中的第一个荧光聚集区,所述第一聚集直径参数指所述第一荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值,所述第二荧光聚集区指所述荧光聚集序列中的第二个荧光聚集区,所述第二聚集直径参数指所述第二荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值。
本发明实施例中,所述根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,包括:
根据所述直径范围,利用预构建的直径公式计算所述荧光聚集区的聚集直径参数,得到聚集直径参数集;
对所述聚集直径参数集中的聚集直径参数从大至小进行排序,得到聚集直径参数序列;
依次获取所述聚集直径参数序列中每个聚集直径参数对应的荧光聚集区,得到荧光聚集序列。
本发明实施例中,所述直径公式,如下所示:
其中,di表示所述绿色荧光区域中第i个荧光聚集区的聚集直径参数,di-min表示所述绿色荧光区域中第i个荧光聚集区的最小聚集区域直径,di-max表示所述绿色荧光区域中第i个荧光聚集区的最大聚集区域直径。
S3、分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状。
本发明实施例中,所述分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状,包括:
分别计算所述第一荧光聚集区及第二荧光聚集区的区域面积,得到第一聚集区域面积及第二聚集区域面积;
根据所述第一聚集区域面积及第二聚集区域面积绘制第一标准聚集图形集及第二标准聚集图形集;
利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状;
利用所述第二荧光聚集区与所述第二标准聚集图形集中的每个第二标准聚集图形进行相似性比对,得到第二荧光聚集形状。
可解释的,所述第一标准聚集图形集指根据所述第一聚集区域面积绘制等面积的预设图形集合,所述预设图形可以为圆形、椭圆形及新月形等。所述第二标准聚集图形集指根据所述第二聚集区域面积绘制等面积的预设图形集合。所述第一荧光聚集形状指所述第一荧光聚集区经过第一标准聚集图形集比对后判定的形状,所述第二荧光聚集形状指所述第二荧光聚集区经过第二标准聚集图形集比对后判定的形状。
本发明实施例中,所述利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状,包括:
将所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行重叠平移,得到区域重叠图形集;
利用预构建的重叠差异度公式,计算所述区域重叠图形集中每一个区域重叠图形的重叠差异值,得到重叠差异值集;
在所述重叠差异值集中提取最小重叠差异值,判断所述最小重叠差异值是否大于预设的差异阈值;
若所述最小重叠差异值大于所述差异阈值,则判定所述第一荧光聚集形状为多形结构;
若所述最小重叠差异值不大于所述差异阈值,则提取所述最小重叠差异值对应的目标区域重叠图形;
提取所述目标区域重叠图形中的目标第一标准聚集图形,将所述目标第一标准聚集图形作为所述第一荧光聚集形状。
进一步地,所述区域重叠图形指第一荧光聚集区与每个第一标准聚集图形经过重叠平移得到最大重叠面积的区域重叠图形。
本发明实施例中,所述重叠差异度公式,如下所示:
Cj=(S1-y-Sj-g)+(Sj-b-Sj-g)
其中,Cj表示所述区域重叠图形集中第j个区域重叠图形的重叠差异值,S1-y表示所述第一荧光聚集区的区域面积,Sj-g表示所述区域重叠图形集的第j个区域重叠图形中第一荧光聚集区与所述第一标准聚集图形的重叠面积,Sj-b表示所述区域重叠图形集的第j个区域重叠图形中第一标准聚集图形的面积。
可解释的,当所述最小重叠差异值大于所述差异阈值时,表示所述第一荧光聚集形状不是规则的形状,可能为包囊团或滋养体的形状,此时将包囊团或滋养体的形状判定为不规则的多形结构。
S4、根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数。
可解释的,所述形状参数转换表指规定荧光聚集形状与聚集形状参数转换关系的数据表,例如:当所述第一荧光聚集形状为椭圆形时,所述第一聚集形状参数为100,当所述第二荧光聚集形状为新月形时,所述第二聚集形状参数为200。本发明实施例需要利用神经网络对所述耶氏肺孢子菌的存在性进行判定,因此需要将第一荧光聚集形状及第二荧光聚集形状转换为可从神经网络输入层节点输入的第一聚集形状参数及第二聚集形状参数。
S5、分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色。
可解释的,所述第一轮廓荧光色及第二轮廓荧光色分别指所述第一荧光聚集区及第二荧光聚集区的轮廓处荧光颜色,单个包囊、包囊团或滋养体经过免疫荧光染色后,轮廓(包囊壁)呈苹果绿荧光色。
S6、分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色。
可理解的,所述第一内部荧光色及第二内部荧光色分别指第一荧光聚集区及第二荧光聚集区的中间组分荧光颜色,单个包囊、包囊团或滋养经过免疫荧光染色后,中间组分可能呈黑色(未染色)、很浅的单个荧光绿色或很浅的绿色荧光团。
S7、根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数。
进一步地,所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色在输入神经网络的输入层节点时,同样需要转换成参数,所述光色参数转换表可以为记录荧光色与该荧光色灰度值转换关系的数据表。
S8、根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数。
可理解的,所述目标神经网络指训练完成的可根据第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数对待处理样本进行存在性判断的神经网络。所述目标神经网络的输入层节点可以为8个,分别为第一聚集直径参数的输入节点、第一聚集形状参数的输入节点、第一轮廓荧光参数的输入节点、第一内部荧光参数的输入节点、第二聚集直径参数的输入节点、第二聚集形状参数的输入节点、第二轮廓荧光参数的输入节点及第二内部荧光参数的输入节点。所述一次分类输出参数指只对所述待处理样本进行一次分类判断的输出参数。所述目标神经网络的输出参数可以设定为归属于三个分类值域数据,例如:[0-100]、(101-200]、(200-300],其中[0-100]表示所述待处理样本为阳性(存在耶氏肺孢子菌)、(101-200]表示所述待处理样本为灰区(不确定是否存在耶氏肺孢子菌)、(200-300]表示所述待处理样本为阴性(不存在耶氏肺孢子菌)。
应明白的,当所述样本染色图像中只存在一个包囊呈现的荧光聚集区时,此时第二聚集直径参数的输入节点、第二聚集形状参数的输入节点、第二轮廓荧光参数的输入节点及第二内部荧光参数的输入节点可以不输入数据或设置为0,当所述样本染色图像中不存在荧光聚集区时,所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数都可设置为0。
本发明实施例中,所述根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数之前,所述方法还包括:
在所述预构建的荧光区域训练数据集中依次提取荧光区域训练数据,其中所述荧光区域训练数据包括:第一聚集直径训练参数、第一聚集形状训练参数、第一轮廓荧光训练参数、第一内部荧光训练参数、第二聚集直径训练参数、第二聚集形状训练参数、第二轮廓荧光训练参数及第二内部荧光训练参数;
获取所述荧光区域训练数据的分类值域数据,对所述荧光区域训练数据制执行归一化操作,得到归一化训练数据;
将所述归一化训练数据输入预构建的原始神经网络,得到输入层训练数据;
初始化所述原始神经网络的输入层权重及隐藏层权重,得到输入层权重及隐藏层权重;
根据所述输入层训练数据与所述输入层权重计算输入和值,利用预构建的激活函数激活所述输入和值,得到隐藏层数据;
根据所述隐藏层权重与所述隐藏层数据计算隐藏层和值,利用所述激活函数激活所述隐藏层和值,得到输出数据;
计算所述输出数据与所述分类值域数据的训练差异值,判断所述训练差异值是否小于等于预设的差异阈值;
若所述训练差异值小于等于所述差异阈值,则将所述原始神经网络作为所述目标神经网络;
若所述训练差异值不小于等于所述差异阈值,则利用所述输出数据及分类值域数据,根据预构建的输出残差公式计算输出层残差;
根据所述输出层残差及所述隐藏层权重计算所述原始神经网络的中各隐藏层的残差求和值;
根据所述残差求和值、隐藏层数据及预构建的第二残差公式计算隐藏层残差;
根据所述归一化训练数据、隐藏层残差及预设的学习率计算输入层的权重调节因子,利用所述输入层的权重调节因子更新所述输入层权重;
根据所述隐藏层数据、输出层残差及所述学习率计算隐藏层的权重调节因子,利用所述隐藏层的权重调节因子更新所述隐藏层权重,返回上述将所述归一化训练数据输入预构建的原始神经网络的步骤,直至所述训练差异值小于等于所述差异阈值,得到所述目标神经网络。
S9、根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区。
可解释的,当所述一次分类输出参数属于灰区对应的分类值域数据时,表示所述样本染色图像存在三种情况:只存在一个包囊、只存在滋养体或存在一个包囊和一个或多个滋养体。
若所述绿色荧光区域是灰区,则执行S10、对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
可理解的,当所述绿色荧光区域是灰区时,需要重新对所述待处理样本进行二次免疫荧光染色分析,并以第二次免疫荧光染色分析的结果作为待处理样本的最终判定结果。
若所述绿色荧光区域不是灰区,则执行S11、根据所述一次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
可解释的,当所述绿色荧光区域不是灰区时,表示所述待处理样本可能为阳性或阴性,其中当一次分类输出参数属于阳性对应的分类值域数据时,表示所述样本染色图像存在2个或2个以上的单个包囊、包囊团、滋养体三者的多种组合,此时只要保证滋养体不是单独存在即可。
进一步地,当一次分类输出参数属于阴性对应的分类值域数据时,表示所述样本染色图像中未找到形态为包囊或滋养体的绿色荧光。
相比于背景技术所述问题,本发明实施例在进行耶氏肺孢子菌的检测时,首先需要获取待处理样本的免疫荧光染色图像,然后在所述样本染色图像中识别绿色荧光区域,通过在所述绿色荧光区域中提取荧光聚集区,提取所述荧光聚集区后需要对其进行排序,从而得到可以用于计算的第一荧光聚集区及第二荧光聚集区,在对所述荧光聚集区进行排序时只要是根据荧光聚集区的直径范围大小排序,从而得到荧光聚集序列,再在所述荧光聚集序列提取第一荧光聚集区及第二荧光聚集区,此时可以对所述第一荧光聚集区及第二荧光聚集区进行参数的提取,得到第一荧光聚集区的第一聚集直径参数、第一荧光聚集形状、第一轮廓荧光色、第一内部荧光色及第二荧光聚集区的第二聚集直径参数、第二荧光聚集形状、第二轮廓荧光色、第二内部荧光色,由于目标神经网络不能直接输入形状或荧光色,因此需要将第一荧光聚集形状、第一轮廓荧光色、第一内部荧光色、第二荧光聚集形状、第二轮廓荧光色及第二内部荧光色利用形状参数转换表及光色参数转换表转换为对应的第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,最终再结合目标神经网络进行分类,从而最终得到所述待处理样本的一次分类输出参数,当通过所述一次分类输出参数判断所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,根据所述二次分类输出参数对所述待处理样本进行分类,若所述绿色荧光区域不是灰区,则可以直接根据所述一次分类输出参数对所述待处理样本进行分类,从而完成基于直接免疫荧光染色的耶氏肺孢子菌检测。因此本发明提出的基于直接免疫荧光染色的耶氏肺孢子菌检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决实验室对耶氏肺孢子菌的检测存在准确度低的问题。
实施例2:
如图8所示,是本发明一实施例提供的基于直接免疫荧光染色的耶氏肺孢子菌检测装置的功能模块图。
本发明所述基于直接免疫荧光染色的耶氏肺孢子菌检测装置100可以安装于电子设备中。根据实现的功能,所述基于直接免疫荧光染色的耶氏肺孢子菌检测装置100可以包括直径参数提取模块101、形状参数转换模块102、荧光参数转换模块103及神经网络分类模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述直径参数提取模块101,用于取待处理样本的染色图像,在所述样本染色图像中识别绿色荧光区域;在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列;在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;
所述形状参数转换模块102,用于分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
所述荧光参数转换模块103,用于分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;
所述神经网络分类模块104,用于根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类;若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类。
详细地,本发明实施例中所述基于直接免疫荧光染色的耶氏肺孢子菌检测装置100中的所述各模块在使用时采用与上述的图1中所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图9所示,是本发明一实施例提供的实现基于直接免疫荧光染色的耶氏肺孢子菌检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于直接免疫荧光染色的耶氏肺孢子菌检测程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于直接免疫荧光染色的耶氏肺孢子菌检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Procssing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于直接免疫荧光染色的耶氏肺孢子菌检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图9仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图9示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于直接免疫荧光染色的耶氏肺孢子菌检测程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域,在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;
根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;
根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;
分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;
根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;
根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;
根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;
若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测;
若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图8对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待处理样本染色图像,在所述样本染色图像中识别绿色荧光区域,在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;
根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;
根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;
分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;
根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;
根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;
根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;
若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测;
若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述方法包括:
获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域,在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;所述绿色荧光区域由一个或多个分开的荧光聚集区组成,所述荧光聚集区指所述绿色荧光区域中显示为单个绿色荧光色的区域;所述直径范围指所述荧光聚集区的最小边界距离和最大边界距离组成的距离范围;
根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;所述荧光聚集序列指按照直径范围对所述荧光聚集区从大到小排序得到的序列;所述第一荧光聚集区指所述荧光聚集序列中的第一个荧光聚集区,所述第一聚集直径参数指所述第一荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值,所述第二荧光聚集区指所述荧光聚集序列中的第二个荧光聚集区,所述第二聚集直径参数指所述第二荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值;
分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;
根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;所述第一轮廓荧光色及第二轮廓荧光色分别指所述第一荧光聚集区及第二荧光聚集区的轮廓处荧光颜色;
分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;所述第一内部荧光色及第二内部荧光色分别指第一荧光聚集区及第二荧光聚集区的中间组分荧光颜色;
根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;所述光色参数转换表为记录荧光色与该荧光色灰度值转换关系的数据表;
根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;
根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;
若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测;
若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类,完成基于直接免疫荧光染色的耶氏肺孢子菌检测。
2.如权利要求1所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述获取待处理样本的免疫荧光染色图像,包括:
对所述待处理样品进行涂片染色,得到样本涂片;
利用预构建的荧光显微镜扫描所述样本涂片,得到样本染色图像。
3.如权利要求1所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述计算所述荧光聚集区的直径范围,包括:
提取所述荧光聚集区的外部轮廓图形;
按照预定的间距单元在所述外部轮廓图形上选取区域尺寸标定点集;
在所述区域尺寸标定点集中依次选取尺寸标定起点,在所述区域尺寸标定点集中去除所述尺寸标定起点,得到尺寸标定终点集;
将所述尺寸标定起点依次与所述尺寸标定终点集中的尺寸标定终点依次连接,得到聚集区域直径集;
在所述聚集区域直径集中提取最小聚集区域直径及最大聚集区域直径,根据所述最小聚集区域直径及最大聚集区域直径构建所述荧光聚集区的直径范围。
4.如权利要求3所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列,包括:
根据所述直径范围,利用预构建的直径公式计算所述荧光聚集区的聚集直径参数,得到聚集直径参数集;
对所述聚集直径参数集中的聚集直径参数从大至小进行排序,得到聚集直径参数序列;
依次获取所述聚集直径参数序列中每个聚集直径参数对应的荧光聚集区,得到荧光聚集序列。
5.如权利要求4所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述直径公式,如下所示:
其中,di表示所述绿色荧光区域中第i个荧光聚集区的聚集直径参数,di-min表示所述绿色荧光区域中第i个荧光聚集区的最小聚集区域直径,di-max表示所述绿色荧光区域中第i个荧光聚集区的最大聚集区域直径。
6.如权利要求1所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状,包括:
分别计算所述第一荧光聚集区及第二荧光聚集区的区域面积,得到第一聚集区域面积及第二聚集区域面积;
根据所述第一聚集区域面积及第二聚集区域面积绘制第一标准聚集图形集及第二标准聚集图形集;
利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状;
利用所述第二荧光聚集区与所述第二标准聚集图形集中的每个第二标准聚集图形进行相似性比对,得到第二荧光聚集形状。
7.如权利要求6所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述利用所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行相似性比对,得到第一荧光聚集形状,包括:
将所述第一荧光聚集区与所述第一标准聚集图形集中的每个第一标准聚集图形进行重叠平移,得到区域重叠图形集;
利用预构建的重叠差异度公式,计算所述区域重叠图形集中每一个区域重叠图形的重叠差异值,得到重叠差异值集;
在所述重叠差异值集中提取最小重叠差异值,判断所述最小重叠差异值是否大于预设的差异阈值;
若所述最小重叠差异值大于所述差异阈值,则判定所述第一荧光聚集形状为多形结构;
若所述最小重叠差异值不大于所述差异阈值,则提取所述最小重叠差异值对应的目标区域重叠图形;
提取所述目标区域重叠图形中的目标第一标准聚集图形,将所述目标第一标准聚集图形作为所述第一荧光聚集形状。
8.如权利要求7所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述重叠差异度公式,如下所示:
Cj=(S1-y-Sj-g)+(Sj-b-Sj-g)
其中,Cj表示所述区域重叠图形集中第j个区域重叠图形的重叠差异值,S1-y表示所述第一荧光聚集区的区域面积,Sj-g表示所述区域重叠图形集的第j个区域重叠图形中第一荧光聚集区与所述第一标准聚集图形的重叠面积,Sj-b表示所述区域重叠图形集的第j个区域重叠图形中第一标准聚集图形的面积。
9.如权利要求1所述的基于直接免疫荧光染色的耶氏肺孢子菌检测方法,其特征在于,所述根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数之前,所述方法还包括:
在所述预构建的荧光区域训练数据集中依次提取荧光区域训练数据,其中所述荧光区域训练数据包括:第一聚集直径训练参数、第一聚集形状训练参数、第一轮廓荧光训练参数、第一内部荧光训练参数、第二聚集直径训练参数、第二聚集形状训练参数、第二轮廓荧光训练参数及第二内部荧光训练参数;
获取所述荧光区域训练数据的分类值域数据,对所述荧光区域训练数据制执行归一化操作,得到归一化训练数据;
将所述归一化训练数据输入预构建的原始神经网络,得到输入层训练数据;
初始化所述原始神经网络的输入层权重及隐藏层权重,得到输入层权重及隐藏层权重;
根据所述输入层训练数据与所述输入层权重计算输入和值,利用预构建的激活函数激活所述输入和值,得到隐藏层数据;
根据所述隐藏层权重与所述隐藏层数据计算隐藏层和值,利用所述激活函数激活所述隐藏层和值,得到输出数据;
计算所述输出数据与所述分类值域数据的训练差异值,判断所述训练差异值是否小于等于预设的差异阈值;
若所述训练差异值小于等于所述差异阈值,则将所述原始神经网络作为所述目标神经网络;
若所述训练差异值不小于等于所述差异阈值,则利用所述输出数据及分类值域数据,根据预构建的输出残差公式计算输出层残差;
根据所述输出层残差及所述隐藏层权重计算所述原始神经网络的中各隐藏层的残差求和值;
根据所述残差求和值、隐藏层数据及预构建的第二残差公式计算隐藏层残差;
根据所述归一化训练数据、隐藏层残差及预设的学习率计算输入层的权重调节因子,利用所述输入层的权重调节因子更新所述输入层权重;
根据所述隐藏层数据、输出层残差及所述学习率计算隐藏层的权重调节因子,利用所述隐藏层的权重调节因子更新所述隐藏层权重,返回上述将所述归一化训练数据输入预构建的原始神经网络的步骤,直至所述训练差异值小于等于所述差异阈值,得到所述目标神经网络。
10.一种基于直接免疫荧光染色的耶氏肺孢子菌检测装置,其特征在于,所述装置包括:
直径参数提取模块,用于获取待处理样本的免疫荧光染色图像,在所述样本染色图像中识别绿色荧光区域;在所述绿色荧光区域中依次提取荧光聚集区,计算所述荧光聚集区的直径范围;所述绿色荧光区域由一个或多个分开的荧光聚集区组成,所述荧光聚集区指所述绿色荧光区域中显示为单个绿色荧光色的区域;所述直径范围指所述荧光聚集区的最小边界距离和最大边界距离组成的距离范围;根据所述直径范围对所述荧光聚集区进行排序,得到荧光聚集序列;在所述荧光聚集序列中提取第一荧光聚集区、第一聚集直径参数、第二荧光聚集区及第二聚集直径参数;所述荧光聚集序列指按照直径范围对所述荧光聚集区从大到小排序得到的序列;所述第一荧光聚集区指所述荧光聚集序列中的第一个荧光聚集区,所述第一聚集直径参数指所述第一荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值,所述第二荧光聚集区指所述荧光聚集序列中的第二个荧光聚集区,所述第二聚集直径参数指所述第二荧光聚集区中最小聚集区域直径及最大聚集区域直径的均值;
形状参数转换模块,用于分别对所述第一荧光聚集区及第二荧光聚集区进行形状识别,得到第一荧光聚集形状及第二荧光聚集形状;根据预设的形状参数转换表分别将所述第一荧光聚集形状及第二荧光聚集形状转换为第一聚集形状参数及第二聚集形状参数;
荧光参数转换模块,用于分别对所述第一荧光聚集区及第二荧光聚集区进行轮廓光色识别,得到第一轮廓荧光色及第二轮廓荧光色;所述第一轮廓荧光色及第二轮廓荧光色分别指所述第一荧光聚集区及第二荧光聚集区的轮廓处荧光颜色;分别对所述第一荧光聚集区及第二荧光聚集区进行内部光色识别,得到第一内部荧光色及第二内部荧光色;所述第一内部荧光色及第二内部荧光色分别指第一荧光聚集区及第二荧光聚集区的中间组分荧光颜色;根据预设的光色参数转换表分别将所述第一轮廓荧光色、第二轮廓荧光色、第一内部荧光色及第二内部荧光色转换为第一轮廓荧光参数、第二轮廓荧光参数、第一内部荧光参数及第二内部荧光参数;所述光色参数转换表为记录荧光色与该荧光色灰度值转换关系的数据表;
神经网络分类模块,用于根据所述第一聚集直径参数、第一聚集形状参数、第一轮廓荧光参数、第一内部荧光参数、第二聚集直径参数、第二聚集形状参数、第二轮廓荧光参数及第二内部荧光参数,利用预构建的目标神经网络进行前向传播计算,得到一次分类输出参数;根据所述一次分类输出参数,判断所述绿色荧光区域是否为灰区;若所述绿色荧光区域是灰区,则对所述待处理样本进行二次免疫荧光染色分析,得到二次分类输出参数,根据所述二次分类输出参数对所述待处理样本进行分类;若所述绿色荧光区域不是灰区,则根据所述一次分类输出参数对所述待处理样本进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770614.7A CN116824579B (zh) | 2023-06-27 | 2023-06-27 | 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770614.7A CN116824579B (zh) | 2023-06-27 | 2023-06-27 | 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824579A CN116824579A (zh) | 2023-09-29 |
CN116824579B true CN116824579B (zh) | 2023-12-22 |
Family
ID=88140748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770614.7A Active CN116824579B (zh) | 2023-06-27 | 2023-06-27 | 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824579B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936992A (zh) * | 2010-09-17 | 2011-01-05 | 湖南大学 | 快速检测大肠杆菌的方法及所用到的微流控芯片及其制备工艺 |
CN102018496A (zh) * | 2003-09-03 | 2011-04-20 | 生命修复国际股份有限公司 | 个人诊断装置和相关方法 |
CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
CN112767321A (zh) * | 2021-01-05 | 2021-05-07 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
CN112884725A (zh) * | 2021-02-02 | 2021-06-01 | 杭州迪英加科技有限公司 | 针对用于细胞判别的神经网络模型输出结果的修正方法 |
CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
CN116113983A (zh) * | 2020-08-13 | 2023-05-12 | 文塔纳医疗系统公司 | 多重免疫荧光染色组织的数字图像中坏死区域的自动化识别 |
CN116203001A (zh) * | 2023-01-28 | 2023-06-02 | 北京市农林科学院智能装备技术研究中心 | 黄曲霉毒素b1无损检测方法及装置 |
CN116297358A (zh) * | 2023-02-09 | 2023-06-23 | 广东省大湾区华南理工大学聚集诱导发光高等研究院 | 一种检测细菌的方法 |
-
2023
- 2023-06-27 CN CN202310770614.7A patent/CN116824579B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102018496A (zh) * | 2003-09-03 | 2011-04-20 | 生命修复国际股份有限公司 | 个人诊断装置和相关方法 |
CN101936992A (zh) * | 2010-09-17 | 2011-01-05 | 湖南大学 | 快速检测大肠杆菌的方法及所用到的微流控芯片及其制备工艺 |
CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
CN116113983A (zh) * | 2020-08-13 | 2023-05-12 | 文塔纳医疗系统公司 | 多重免疫荧光染色组织的数字图像中坏死区域的自动化识别 |
CN112767321A (zh) * | 2021-01-05 | 2021-05-07 | 华东师范大学 | 一种基于随机森林的荧光结核杆菌检测方法 |
CN112884725A (zh) * | 2021-02-02 | 2021-06-01 | 杭州迪英加科技有限公司 | 针对用于细胞判别的神经网络模型输出结果的修正方法 |
CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
CN116203001A (zh) * | 2023-01-28 | 2023-06-02 | 北京市农林科学院智能装备技术研究中心 | 黄曲霉毒素b1无损检测方法及装置 |
CN116297358A (zh) * | 2023-02-09 | 2023-06-23 | 广东省大湾区华南理工大学聚集诱导发光高等研究院 | 一种检测细菌的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116824579A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756318B2 (en) | Convolutional neural networks for locating objects of interest in images of biological samples | |
TWI705414B (zh) | 自體免疫抗體免疫螢光影像分類系統及其分類方法 | |
Poostchi et al. | Malaria parasite detection and cell counting for human and mouse using thin blood smear microscopy | |
Hobson et al. | Computer aided diagnosis for anti-nuclear antibodies HEp-2 images: Progress and challenges | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
Memeu et al. | Detection of plasmodium parasites from images of thin blood smears | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
CN112232327B (zh) | 一种基于深度学习的抗核抗体核型判读方法与设备 | |
Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
US9224200B2 (en) | Computer vision based method for extracting features relating to the developmental stages of Trichuris spp. eggs | |
Tantikitti et al. | Image processing for detection of dengue virus based on WBC classification and decision tree | |
TW201947453A (zh) | 自體免疫抗體免疫螢光影像型態識別方法 | |
Yang et al. | Parasite detection in thick blood smears based on customized faster-RCNN on smartphones | |
Di Cataldo et al. | ANAlyte: A modular image analysis tool for ANA testing with indirect immunofluorescence | |
Hu et al. | Automatic detection of tuberculosis bacilli in sputum smear scans based on subgraph classification | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
CN116824579B (zh) | 基于直接免疫荧光染色的耶氏肺孢子菌检测方法及装置 | |
CN113158821A (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 | |
CN111797786A (zh) | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 | |
Meng et al. | Neighbor Correlated Graph Convolutional Network for multi-stage malaria parasite recognition | |
Merone et al. | On using active contour to segment HEp-2 cells | |
Fuhad et al. | CNN Based Model for Malaria Diagnosis with Knowledge Distillation | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
CN208857289U (zh) | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 |
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 |