CN116843986B - 一种基于图像识别的免疫固定电泳检测数据自动审核方法 - Google Patents
一种基于图像识别的免疫固定电泳检测数据自动审核方法 Download PDFInfo
- Publication number
- CN116843986B CN116843986B CN202311127068.1A CN202311127068A CN116843986B CN 116843986 B CN116843986 B CN 116843986B CN 202311127068 A CN202311127068 A CN 202311127068A CN 116843986 B CN116843986 B CN 116843986B
- Authority
- CN
- China
- Prior art keywords
- electrophoresis
- band
- abnormal
- normal
- zone
- 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
- 238000001962 electrophoresis Methods 0.000 title claims abstract description 361
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012550 audit Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 116
- 238000012795 verification Methods 0.000 claims description 36
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 102000004506 Blood Proteins Human genes 0.000 description 2
- 108010017384 Blood Proteins Proteins 0.000 description 2
- 108060003951 Immunoglobulin Proteins 0.000 description 2
- 238000000246 agarose gel electrophoresis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 102000018358 immunoglobulin Human genes 0.000 description 2
- 229940072221 immunoglobulins Drugs 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 208000021161 Plasma cell disease Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/558—Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
- G01N33/561—Immunoelectrophoresis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Abstract
本发明公开一种基于图像识别的免疫固定电泳检测数据自动审核方法,包括步骤:S10,获取大量免疫固定电泳数据;S20,利用所获取的免疫固定电泳数据,创建免疫固定电泳数据审核知识图谱;S30,检测免疫固定电泳图像通过卷积神经网络获取识别结果;S40,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据。本发明能够自动对免疫固定电泳的检测结果进行识别并审核,提高了测试结果的准确性和一致性,缩短报告时间。
Description
技术领域
本发明属于免疫固定电泳检测技术领域,特别是涉及一种基于图像识别的免疫固定电泳检测数据自动审核方法。
背景技术
免疫固定电泳是诊断多发性骨髓瘤等浆细胞疾病的重要生化检测方法,其目的是鉴定由人血清中浆细胞产生的单克隆免疫球蛋白。免疫固定电泳是一个两阶段,第一阶段是蛋白质在琼脂糖凝胶电泳中进行分离,第二阶段是分离的蛋白质被固定并产生免疫沉淀。血清中的蛋白质通过琼脂糖凝胶电泳分离,可溶性抗原与抗体发生反应,形成抗原-抗体复合物,未反应的蛋白质通过洗涤步骤去除,抗原-抗体复合物通过染色可见。血清蛋白分离在不同的泳道上,与IgG、IgA、IgM、κ和λ特异性抗血清反应,单克隆免疫球蛋白的存在可在特定的泳道上形成致密条带,如果在免疫固定电泳的图片上观察到对应的致密条带,并水平对齐,就能识别它的类型和结果。
在临床医学实验室,常规免疫固定电泳结果的识别主要靠实验人员的经验,并且观察人员间存在差异性。这不仅需要大量的时间,也给缺乏经验的实验人员开展该检验项目带来巨大的挑战。临床实验室在发布免疫固定电泳报告可能是耗时和容易出错的,特别是在大型的中心实验室或区域中心实验室。免疫固定电泳的结果多是通过图像输出的,通过识别图像数据做为最主要的依据,得到最终结果。而对于检测结果的审核多是通过人工审核,使审核效率低,准确率较低,且结果的判断与人员经验相关,观察人员间差异大,实验室间一致性差。
发明内容
为了解决上述问题,本发明提出了一种基于图像识别的免疫固定电泳检测数据自动审核方法,能够自动对免疫固定电泳的检测结果进行识别并审核,提高了测试结果的准确性,且提高了审核效率。
为达到上述目的,本发明采用的技术方案是: 一种基于图像识别的免疫固定电泳检测数据自动审核方法,包括步骤:
S10,获取大量免疫固定电泳数据;
S20,利用所获取的免疫固定电泳数据,创建免疫固定电泳数据审核知识图谱;
S30,检测免疫固定电泳图像通过卷积神经网络获取识别结果;
S40,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据。
进一步的是,对免疫固定电泳数据进行分类对不同类别获取不同的关联节点,根据关联节点设置相应的特征值;
利用关联节点和特征值的关系进行节点连接构建免疫固定电泳数据审核知识图谱。
进一步的是,在所述步骤S10中,所述免疫固定电泳数据,包括:
正常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的正常特征值;
和异常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的异常特征值。
进一步的是,在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中正常图像和异常图像分别作为主节点;
在每个主节点上均连接有代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入正常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入异常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点。
进一步的是,在所述步骤S30中,对获得的免疫固定电泳图像进行识别,基于卷积神经网络进行特征识别后,判断当前免疫固定电泳图像属于异常图像还是正常图像作为主标签,并获取异常图像或正常图像各主标签下相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为子标签,并将各子标签下对应的特征值带入相应子标签下形成数据包,作为识别结果。
进一步的是,在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为异常图像,则进入异常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的异常特征值进行比对,完成审核验证;
若主标签为正常图像,则进入正常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的正常特征值进行比对,完成审核验证。
进一步的是,在所述步骤S10中,所述免疫固定电泳数据,包括IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像;
IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像均具有各自的正常和异常特征值。
进一步的是,在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像分别作为一级节点;
在每个一级节点上均连接有代表正常特征值和异常特征值的二级节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表正常特征值的二级节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表异常特征值的二级节点。
进一步的是,在所述步骤S30中,对获得的免疫固定电泳图像中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带进行图像分割后分别进行识别,基于卷积神经网络进行特征识别后,获取各IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的检测正常特征值或检测异常特征值;IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为主标签,并获取各主标签下建立正常和异常作为子标签,并将各子标签下对应的检测特征值带入相应子标签下形成数据包,作为识别结果。
进一步的是,在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别结果的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为IgG电泳带,则进入IgG电泳带一级节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgA电泳带,则进入IgA电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgM电泳带,则进入IgM电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为κ电泳带,则进入κ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为λ电泳带,则进入λ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证。
采用本技术方案的有益效果:
本发明根据免疫固定电泳结果图片构建了可用于审核免疫固定电泳图像检测数据的免疫固定电泳数据审核知识图谱;在进行免疫固定电泳检测时,先获取免疫固定电泳图像并利用卷积神经网络提取特征值来获取识别结果,再对获取的识别结果通过所建立的免疫固定电泳数据审核知识图谱进行检测数据审核,从而实现对免疫固定电泳的检测结果的自动识别和审核,提高了测试结果的准确性。大量的正常免疫固定电泳结果同自动审核,无需人工处理。这使得临床工作人员有更多的精力用到非正常样本的识别和处理上,能有效提高了审核的效率,也有助于提高异常样本的识别准确率。
本发明通过对免疫固定电泳数据进行分类对不同类别获取不同的关联节点,根据关联节点设置相应的特征值;利用关联节点和特征值的关系进行节点连接构建免疫固定电泳数据审核知识图谱。本发明通过多级式分类和节点关联,能够为免疫固定电泳检测数据快速且精准匹配相关检验结果,从而在提高效率,减少检验报告的等待时间,缩短实验室内的周转时间。
免疫固定电泳的检验结果报告依赖临床实验室工作人员的经验,本发明有利用提高不同实验室、不同检验设备和不同检验人员间的一致性,建立的自动审核系统有利用提高免疫固定电泳结果的标准化,帮助提高临床实验室的检验质量。根据不同医院或设备的免疫固定电泳数据库可直接利用本发明提出的方法来构建免疫固定电泳数据审核知识图谱,从而更适用于该实验室,具有广泛的适用范围。
附图说明
图1 为本发明的一种基于图像识别的免疫固定电泳检测数据自动审核方法的流程示意图;
图2 为本发明实施例中所构建的一种免疫固定电泳数据审核知识图谱示意图;
图3 为本发明实施例中所构建的另一种免疫固定电泳数据审核知识图谱示意图。
实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于图像识别的免疫固定电泳检测数据自动审核方法,包括步骤:
S10,获取大量免疫固定电泳数据;
S20,利用所获取的免疫固定电泳数据,创建免疫固定电泳数据审核知识图谱;
S30,检测免疫固定电泳图像通过卷积神经网络获取识别结果;
S40,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据。
优选的,对免疫固定电泳数据进行分类对不同类别获取不同的关联节点,根据关联节点设置相应的特征值;利用关联节点和特征值的关系进行节点连接构建免疫固定电泳数据审核知识图谱。
作为上述实施例的优化方案1,如图2所示,在所述步骤S10中,所述免疫固定电泳数据,包括正常图像和异常图像;
正常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的正常特征值;
异常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的异常特征值。
在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中正常图像和异常图像分别作为主节点;
在每个主节点上均连接有代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入正常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入异常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点。
在所述步骤S30中,对获得的免疫固定电泳图像进行识别,基于卷积神经网络进行特征识别后,判断当前免疫固定电泳图像属于异常图像还是正常图像作为主标签,并获取异常图像或正常图像各主标签下相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为子标签,并将各子标签下对应的特征值带入相应子标签下形成数据包,作为识别结果。
在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为异常图像,则进入异常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的异常特征值进行比对,完成审核验证;
若主标签为正常图像,则进入正常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的正常特征值进行比对,完成审核验证。
作为上述实施例的优化方案2,如图3所示,在所述步骤S10中,所述免疫固定电泳数据,包括IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像;
IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像均具有各自的正常和异常特征值。
在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像分别作为一级节点;
在每个一级节点上均连接有代表正常特征值和异常特征值的二级节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表正常特征值的二级节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表异常特征值的二级节点。
在所述步骤S30中,对获得的免疫固定电泳图像中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带进行图像分割后分别进行识别,基于卷积神经网络进行特征识别后,获取各IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的检测正常特征值或检测异常特征值;IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为主标签,并获取各主标签下建立正常和异常作为子标签,并将各子标签下对应的检测特征值带入相应子标签下形成数据包,作为识别结果。
在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别结果的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为IgG电泳带,则进入IgG电泳带一级节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgA电泳带,则进入IgA电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgM电泳带,则进入IgM电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为κ电泳带,则进入κ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为λ电泳带,则进入λ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证。
下面举例对正常图像和异常图像进行说明:
异常图像的情况:
1、如果Ig G泳道中的一条致密带与L通道中的一条致密带水平对齐,则识别出IgG-λ,为异常图像。
2、如果仅有κ(或λ)泳道中的致密带与血清蛋白通道中的致密带对齐,则识别出κ(或λ),为异常图像;
正常图像情况:IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带均无致密条带,则为正常图像。
以上显示和描述了本发明的基本原理和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只是说明本发明的原理,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 (4)
1.一种基于图像识别的免疫固定电泳检测数据自动审核方法,其特征在于,包括步骤:
S10,获取大量免疫固定电泳数据;
S20,利用所获取的免疫固定电泳数据,创建免疫固定电泳数据审核知识图谱;
S30,检测免疫固定电泳图像通过卷积神经网络获取识别结果;
S40,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据;
在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中正常图像和异常图像分别作为主节点;
在每个主节点上均连接有代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入正常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入异常图像主节点所连接的代表IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的子节点;
在所述步骤S30中,对获得的免疫固定电泳图像进行识别,基于卷积神经网络进行特征识别后,判断当前免疫固定电泳图像属于异常图像还是正常图像作为主标签,并获取异常图像或正常图像各主标签下相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为子标签,并将各子标签下对应的特征值带入相应子标签下形成数据包,作为识别结果;
在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为异常图像,则进入异常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的异常特征值进行比对,完成审核验证;
若主标签为正常图像,则进入正常图像主节点,并连接进入相应IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带或λ电泳带子标签下的子节点;根据识别的特征值与相应子节点所连接的正常特征值进行比对,完成审核验证;
或者,在所述步骤S20中,创建免疫固定电泳数据审核知识图谱,包括步骤:
将所获取的免疫固定电泳数据中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像分别作为一级节点;
在每个一级节点上均连接有代表正常特征值和异常特征值的二级节点;
将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组正常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表正常特征值的二级节点;
同时,将IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的多组异常特征值分别置入IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带一级节点下的代表异常特征值的二级节点;
在所述步骤S30中,对获得的免疫固定电泳图像中IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带进行图像分割后分别进行识别,基于卷积神经网络进行特征识别后,获取各IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的检测正常特征值或检测异常特征值;IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带作为主标签,并获取各主标签下建立正常和异常作为子标签,并将各子标签下对应的检测特征值带入相应子标签下形成数据包,作为识别结果;
在所述步骤S40中,将所述识别结果利用免疫固定电泳数据审核知识图谱进行审核,判定该检测数据,包括步骤:
通过识别结果的主标签进入所建立的免疫固定电泳数据审核知识图谱,并找到相应主标签下的主节点;
若主标签为IgG电泳带,则进入IgG电泳带一级节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgA电泳带,则进入IgA电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为IgM电泳带,则进入IgM电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为κ电泳带,则进入κ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证;
若主标签为λ电泳带,则进入λ电泳带主节点;若是检测结果为异常,连接进入相应异常子标签下的二级节点,根据检测异常特征值与相应二级节点所连接的异常特征值进行比对,完成审核验证;若是检测结果为正常,连接进入相应正常子标签下的二级节点,根据检测正常特征值与相应二级节点所连接的正常特征值进行比对,完成审核验证。
2.根据权利要求1所述的一种基于图像识别的免疫固定电泳检测数据自动审核方法,其特征在于,对免疫固定电泳数据进行分类,对不同类别获取不同的关联节点,根据关联节点设置相应的特征值;
利用关联节点和特征值的关系进行节点连接构建免疫固定电泳数据审核知识图谱。
3.根据权利要求2所述的一种基于图像识别的免疫固定电泳检测数据自动审核方法,其特征在于,在所述步骤S10中,所述免疫固定电泳数据,包括正常图像和异常图像;
正常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的正常特征值;
异常图像中包含IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的异常特征值。
4.根据权利要求2所述的一种基于图像识别的免疫固定电泳检测数据自动审核方法,其特征在于,在所述步骤S10中,所述免疫固定电泳数据,包括IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像;
IgG电泳带、IgA电泳带、IgM电泳带、κ电泳带和λ电泳带的图像均具有各自的正常特征值和异常特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127068.1A CN116843986B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的免疫固定电泳检测数据自动审核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127068.1A CN116843986B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的免疫固定电泳检测数据自动审核方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843986A CN116843986A (zh) | 2023-10-03 |
CN116843986B true CN116843986B (zh) | 2023-12-08 |
Family
ID=88162092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127068.1A Active CN116843986B (zh) | 2023-09-04 | 2023-09-04 | 一种基于图像识别的免疫固定电泳检测数据自动审核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843986B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4666577A (en) * | 1985-02-07 | 1987-05-19 | Olympus Optical Co., Ltd. | Method of recording electrophoretic image pattern |
JP2006064398A (ja) * | 2004-08-24 | 2006-03-09 | Mitsubishi Kagaku Bio-Clinical Laboratories Inc | 電気泳動検査データ等の遠隔地画像判定支援システム |
CN110443789A (zh) * | 2019-08-01 | 2019-11-12 | 四川大学华西医院 | 一种免疫固定电泳图自动识别模型的建立及使用方法 |
CN110437340A (zh) * | 2019-07-10 | 2019-11-12 | 北京大学深圳研究生院 | 双靶点识别可调控工程化免疫细胞的制备方法 |
CN113177548A (zh) * | 2021-05-08 | 2021-07-27 | 四川大学 | 一种针对免疫固定电泳的重点区域识别方法 |
CN114496196A (zh) * | 2022-02-18 | 2022-05-13 | 潍坊医学院附属医院 | 医疗实验室临床生化检验自动审核系统 |
WO2022124717A1 (ko) * | 2020-12-07 | 2022-06-16 | 주식회사 온코크로스 | 인공지능을 이용하여 도출된 리보좀 유전자 세트를 이용한 유방암 예후 예측방법 |
CN115205601A (zh) * | 2022-07-27 | 2022-10-18 | 西南医科大学附属医院 | 一种基于人工智能与知识图谱的医学检验结果审核系统 |
-
2023
- 2023-09-04 CN CN202311127068.1A patent/CN116843986B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4666577A (en) * | 1985-02-07 | 1987-05-19 | Olympus Optical Co., Ltd. | Method of recording electrophoretic image pattern |
JP2006064398A (ja) * | 2004-08-24 | 2006-03-09 | Mitsubishi Kagaku Bio-Clinical Laboratories Inc | 電気泳動検査データ等の遠隔地画像判定支援システム |
CN110437340A (zh) * | 2019-07-10 | 2019-11-12 | 北京大学深圳研究生院 | 双靶点识别可调控工程化免疫细胞的制备方法 |
CN110443789A (zh) * | 2019-08-01 | 2019-11-12 | 四川大学华西医院 | 一种免疫固定电泳图自动识别模型的建立及使用方法 |
WO2022124717A1 (ko) * | 2020-12-07 | 2022-06-16 | 주식회사 온코크로스 | 인공지능을 이용하여 도출된 리보좀 유전자 세트를 이용한 유방암 예후 예측방법 |
CN113177548A (zh) * | 2021-05-08 | 2021-07-27 | 四川大学 | 一种针对免疫固定电泳的重点区域识别方法 |
CN114496196A (zh) * | 2022-02-18 | 2022-05-13 | 潍坊医学院附属医院 | 医疗实验室临床生化检验自动审核系统 |
CN115205601A (zh) * | 2022-07-27 | 2022-10-18 | 西南医科大学附属医院 | 一种基于人工智能与知识图谱的医学检验结果审核系统 |
Non-Patent Citations (3)
Title |
---|
Deep Collocative Learning for Immunofixation Electrophoresis Image Analysis;Xiao-Yong Wei等;《IEEE Transactions on Medical Imaging》;第40卷(第7期);1898 – 1910 * |
Expert-Level Immunofixation Electrophoresis Image Recognition based on Explainable and Generalizable Deep Learning;Honghua Hu等;《Clinical Chemistry》;第69卷(第2期);130–139 * |
智能识别鉴定M蛋白分型;王仁浩等;《国际检验医学杂志》;第41卷(第21期);2676-2688 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843986A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650796B (zh) | 一种基于人工智能的细胞荧光图像分类方法和系统 | |
CN110033860B (zh) | 一种基于机器学习的遗传代谢病检出率提升方法 | |
CN112884055B (zh) | 一种目标标注方法和一种目标标注装置 | |
CN111539308A (zh) | 基于深度学习的胚胎质量综合评价装置 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN109710240A (zh) | 流程图分解方法及系统 | |
CN107167616A (zh) | 血型检测方法及装置 | |
CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
CN116843986B (zh) | 一种基于图像识别的免疫固定电泳检测数据自动审核方法 | |
WO2024082581A1 (zh) | 一种m蛋白检测的方法 | |
CN112798678A (zh) | 基于血清的新型冠状病毒感染快速检测方法 | |
CN113393902A (zh) | 基于免疫表征技术对样本分类的方法、装置及存储介质 | |
CN111461323A (zh) | 一种图像识别方法及装置 | |
US20220228989A1 (en) | Method of detecting presences of different antinuclear antibody fluorescence pattern types without counterstaining and apparatus therefor | |
CN116051496A (zh) | 一种实时下水道缺陷检测方法 | |
KR102159574B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과의 정확도 추정 및 관리 방법 | |
CN114077663A (zh) | 应用日志的分析方法及装置 | |
CN113837158B (zh) | 一种基于迁移学习的病毒中和抗体检测方法及装置 | |
CN115699207B (zh) | 医学验证模型的联邦学习 | |
WO2023097685A1 (zh) | 核酸样本的碱基识别方法及装置 | |
CN115049679A (zh) | 一种基于人工智能的染色体图像分割方法 | |
WO2019000741A1 (zh) | 微柱凝胶卡凝集检测结果识别方法 | |
Gurav et al. | Automatic Blood Group Classification based on SVM |
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 |