[發明專利]基于深度學習的堿性磷酸酶濃度檢測方法及應用軟件

在審

• 申請號: 202211450123.6
• 申請日: 2022-11-19
• 公開（公告）號: CN115937103A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 李慧盈;趙勇行
• 申請（專利權）人: 吉林大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/048;G06T5/00;G06N3/08;G06V10/764;G01N21/84
• 代理公司: 長春中科長光知識產權代理事務所(普通合伙) 22218
• 代理人: 郭婷

1.一種基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，包括以下步驟：

S1、基于深度學習對圖片進行數據處理，具體過程如下：

S11、采用雙線性插值法對所述圖片的尺寸進行縮放；

S12、對所述圖片進行中心旋轉；

S13、調整所述圖片明亮度；

S14、對所述圖片采用高斯模糊進行平滑處理；

S2、建立深度學習中神經網絡模型并進行訓練，具體過程如下：

S21、建立ResNet-34，并在其全連接層后添加sigmoid激活函數；

S22、采用均方損失函數最小化目標值與預測值之間差值平方和均值，完成所述深度學習中神經網絡模型的訓練；

S3、將堿性磷酸酶濃度檢測圖像輸入訓練完成的所述深度學習中神經網絡模型即可獲得堿性磷酸酶的濃度值。

2.如權利要求1所述的基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，在S11中，所述雙線性插值法的具體過程如下：

對于任意未知函數f在任意點P(x，y)的像素，確定包圍P的四個點的坐標及像素，即Q₁₁(x₁，y₁)、Q₁₂(x₁，y₂)、Q₂₁(x₂，y₁)、Q₂₂(x₂，y₂)；

在X方向上進行插值得到f(R₁)和f(R₂)如下：

R₁＝(x，y₁)

R₂＝(x,y₂)

在Y方向上進行插值，得到任意未知函數f在任意點P(x，y)的像素的計算式如下：

3.如權利要求1所述的基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，在S13中，將所述圖片的RGB三個通道的像素分別乘調整因子Percentage，若所述調整因子Percentage1，則增大所述圖片的明亮度；若所述調整因子Percentage≤1，則減小所述圖片的明亮度。

4.如權利要求1所述的基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，在S14中，對所述圖片采用高斯模糊進行平滑處理的具體過程如下：

采用高斯的正態分布密度函數對所述圖片進行高斯模糊，得到的正態分布曲線；

高斯的正態分布密度函數如下：

其中，μ代表正態分布的均值，σ代表正態分布的方差；

將所述正態分布曲線的中點設置為原點，獲得一維高斯函數如下：

依據所述一維高斯函數獲得二維高斯函數如下：

除原點外的其他點依照所述二維高斯函數分配權重，并計算得到所述正態分布曲線上的所有點的加權平均值。

5.如權利要求1所述的基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，在S21中，所述sigmoid激活函數如下：

添加所述sigmoid激活函數后的輸出值為一個0～1的值。

6.如權利要求1所述的基于深度學習的堿性磷酸酶濃度檢測方法，其特征在于，所述均方損失函數如下：

其中，N表示訓練樣本總數，i為標號變量，i∈[1,N]，θ為模型參數。

7.一種如權利要求1至6任一項所述的基于深度學習的堿性磷酸酶濃度檢測方法的應用軟件，其特征在于，采用Pytorch深度學習框架將所述深度學習中神經網絡模型部署在手機端；進行功能設計使堿性磷酸酶濃度檢測圖像可通過在相冊中選擇或進行拍照輸入，并在輸入過程中可進行剪裁獲得待檢測區域，所述深度學習中神經網絡模型即可獲得所述待檢測區域的堿性磷酸酶濃度值。