[發(fā)明專利]基于形態(tài)學(xué)與YOLO算法的女性生殖道病原體識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910620667.4
• 申請(qǐng)日: 2019-07-10
• 公開（公告）號(hào): CN110458808B
• 公開（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 謝曉鴻;謝時(shí)靈;張平;李鑫銘
• 申請(qǐng)（專利權(quán)）人: 山東仕達(dá)思生物產(chǎn)業(yè)有限公司;山東仕達(dá)思醫(yī)療科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所 37218
• 代理人: 張貴賓

本發(fā)明涉及一種基于形態(tài)學(xué)與YOLO算法的女性生殖道病原體識(shí)別方法，該方法針對(duì)國內(nèi)顯微鏡下致病菌種識(shí)別以及細(xì)胞活性檢驗(yàn)等問題，提出以darknet?53網(wǎng)絡(luò)模型與YOLO算法取出疑似目標(biāo)，再配以傳統(tǒng)形態(tài)學(xué)算法進(jìn)行篩選從而達(dá)到準(zhǔn)確、快速、智能化的診斷方式。YOLO算法的檢測(cè)速度比傳統(tǒng)算法提高了上百倍，可滿足醫(yī)學(xué)診斷的高效需求，再加入形態(tài)學(xué)算法對(duì)目標(biāo)做形狀擬合，對(duì)色值、輪廓、大小等維度做判斷，從而進(jìn)一步提升檢測(cè)準(zhǔn)確率與檢出率。

技術(shù)領(lǐng)域

本發(fā)明涉及顯微鏡圖像自動(dòng)識(shí)別領(lǐng)域，特別涉及一種基于形態(tài)學(xué)與YOLO算法的女性生殖道病原體識(shí)別方法。

背景技術(shù)

微生態(tài)下的菌種檢測(cè)是人體醫(yī)療學(xué)科的分支，研究發(fā)現(xiàn)人體內(nèi)分泌物中存在超過200種微生物，其中不乏致病菌，或出現(xiàn)某種菌類數(shù)量失衡從而致病情況。對(duì)于醫(yī)學(xué)檢測(cè)，包括菌群密集度、多樣性、優(yōu)勢(shì)菌、集體炎性反應(yīng)、病原微生物、以及各種致病菌類辨別，需要更高的效率和更高的準(zhǔn)確率。

對(duì)于微生態(tài)平衡問題，因其診斷方式目前為發(fā)現(xiàn)孢子菌絲等致病菌即可判斷患者微生態(tài)失衡，少數(shù)致病菌根據(jù)單位區(qū)域內(nèi)數(shù)量來判斷微生態(tài)失衡。雖然菌類誤檢，漏檢都可能導(dǎo)致診斷結(jié)果錯(cuò)誤，但因患病者微生態(tài)下致病菌分布通常較為密集，因此，其準(zhǔn)確率是第一要求。目前國內(nèi)普遍采用醫(yī)務(wù)人員肉眼進(jìn)行顯微鏡下觀察分析的方式診斷患者是否患病，此種方式效率低下，且時(shí)間長久后易因視覺疲勞，出現(xiàn)誤診，漏診等現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于形態(tài)學(xué)與YOLO算法的女性生殖道病原體識(shí)別方法,用以解決目前國內(nèi)檢驗(yàn)人員采用肉眼觀察顯微鏡所帶來的效率低下問題，以及因視覺疲勞，所帶來的誤診、漏診問題。

實(shí)現(xiàn)本發(fā)明目的的具體技術(shù)方案是：

一種基于形態(tài)學(xué)與YOLO算法的女性生殖道病原體識(shí)別方法，該方法包括以下具體步驟：

步驟1：選取部分待測(cè)圖像（如50000張），在待測(cè)圖像中將識(shí)別目標(biāo)做好標(biāo)注；

步驟2：將步驟1標(biāo)注好的圖像組成訓(xùn)練集，放入網(wǎng)絡(luò)訓(xùn)練得到模型；

步驟3：基于Darknet框架下YOLO模型的初篩。將要識(shí)別的圖像放入測(cè)試程序，調(diào)用步驟2訓(xùn)練好的模型進(jìn)行測(cè)試，得到模型初篩結(jié)果，并在原圖中標(biāo)出；

步驟4：基于圖像形態(tài)學(xué)處理。對(duì)該疑似區(qū)域進(jìn)行形態(tài)學(xué)的判斷，最終通過取交集的方法得到較為準(zhǔn)確的識(shí)別結(jié)果。

上述的步驟3具體如下：經(jīng)過模型訓(xùn)練后，將待測(cè)圖像導(dǎo)入進(jìn)模型網(wǎng)絡(luò)，此時(shí)，將每個(gè)網(wǎng)格預(yù)測(cè)的種類信息和預(yù)選框區(qū)域預(yù)測(cè)的置信度信息相乘，就得到每個(gè)預(yù)選框區(qū)域的class-specific confidence score（特定類型置信度）:

；

等式左邊第一項(xiàng)是每個(gè)網(wǎng)格預(yù)測(cè)的類別信息，第二、三項(xiàng)是每個(gè)預(yù)選框預(yù)測(cè)的confidence（置信度），這個(gè)乘積即代表了預(yù)測(cè)的區(qū)域?qū)儆谀骋活惖母怕剩灿性搮^(qū)域準(zhǔn)確度的信息，得到每個(gè)區(qū)域的特定類型置信度以后，設(shè)置閾值，濾掉得分低的區(qū)域，對(duì)保留的區(qū)域進(jìn)行 NMS（Non-Maximum Suppression，非極大值抑制）處理，得到Y(jié)OLO的檢測(cè)結(jié)果。

上述的步驟4具體如下：在得到清晰的YOLO算法篩選過的疑似區(qū)域之后，先對(duì)圖像進(jìn)行邊緣增強(qiáng)及銳化，再根據(jù)孢子的色值做灰度化以及二值化分割，將孢子與淺色背景分割開來，再通過Canny算子對(duì)其進(jìn)行輪廓提取，在得到清晰輪廓后，則在輪廓上隨機(jī)取點(diǎn)進(jìn)行橢圓擬合，若擬合橢圓區(qū)域與二值化后孢子所在擬合橢圓的區(qū)域重疊部分超過一定值（如95%）時(shí)，則可以大致判斷此區(qū)域內(nèi)的形狀大致為橢圓，即該物體符合孢子的形狀特點(diǎn)可將其判定為孢子。