基于深度学习的血清指数智能化判读方法及系统技术方案

本发明专利技术涉及血清检测技术领域，为了实现快速准确检测血清指数，提供了基于深度学习的血清指数智能化判读方法，包括：1、获取离心静置后的采血管的彩色图像数据集；2、构建目标检测模型框架并训练以获得目标检测模型；3、构建血清指数识别框架并训练以获得血清指数识别模型；4、获取待识别的离心静置后的采血管的彩色图像，并将其输入目标检测模型中以获取血清区域；5、将获取的血清区域输入血清指数识别模型中获取对应的血清指数。基于深度学习的血清指数智能化判读系统，包括：图像采集单元，血清区域定位单元及血清指数预测单元。采用上述方式可以快速准确检测血清指数。可以快速准确检测血清指数。可以快速准确检测血清指数。

【技术实现步骤摘要】
基于深度学习的血清指数智能化判读方法及系统


[0001]本专利技术涉及血清检测
，具体是一种基于深度学习的血清指数智能化判读方法及系统。

技术介绍

[0002]医学实验室检验结果的及时性、准确性和可靠性对临床医生做出临床决策具有重要指导意义，而患者样本常因脂溶血和黄疸引起的血清/血浆外观的改变，导致检测结果错误，甚而影响临床决策。因此快速准确检测血清指数(serum index,SI)具有极为重要的意义。SI是医学实验室对分析前标本外观的描述，也是临床医生对照检验结果进行医学决策的重要参考指标。现阶段医学实验室常规SI检测方法主要有人工判读法和吸光度检测法，但检测中普遍采用的人工判读法存在漏诊率高，重复性差，对工作人员的经验能力要求高等制约因素；吸光度检测法受仪器标准不一和成本消耗等限制，使得现有方案均无法为临床提供既经济实用又可靠的结果。因此，亟需开发一种快速准确的SI检测方法。

技术实现思路

[0003]为了实现快速准确检测血清指数，本申请提供了一种基于深度学习的血清指数智能化判读方法及系统。
[0004]本专利技术解决上述问题所采用的技术方案是：
[0005]基于深度学习的血清指数智能化判读方法，包括：
[0006]步骤1、获取离心静置后的采血管的彩色图像数据集，所述彩色图像数据集包括：多张彩色图像和彩色图像对应的血清区域及血清指数；
[0007]步骤2、构建目标检测模型框架，基于彩色图像及彩色图像对应的血清区域对目标检测模型框架进行学习训练，获得目标检测模型；
[0008]步骤3、构建血清指数识别框架，基于彩色图像对应的血清区域及血清指数对血清指数识别框架进行学习训练，获得血清指数识别模型；
[0009]步骤4、获取待识别的离心静置后的采血管的彩色图像，并将其输入目标检测模型中以获取血清区域；
[0010]步骤5、将获取的血清区域输入血清指数识别模型中获取对应的血清指数。
[0011]进一步地，所述步骤1中的彩色图像对应的血清区域采用Matlab的TrainingImageLabeler进行boundingbox标注获取。
[0012]进一步地，所述步骤2包括：
[0013]步骤21、基于yolov5建立目标检测模型框架；
[0014]步骤22、基于多张彩色图像和彩色图像对应的血清区域对目标检测模型框架进行学习训练；当目标检测模型框架的损失函数降低到指定阈值时结束训练，导出此时的目标检测模型框架作为目标检测模型。
[0015]进一步地，所述步骤3包括：
[0016]步骤31、建立血清指数识别框架；
[0017]步骤32、基于经目标检测模型获取的多张血清区域图像及该图像对应的血清指数对血清指数识别框架进行学习训练；当血清指数识别框架的损失函数降低到指定阈值时结束训练，导出此时的血清指数识别框架作为血清指数识别模型。
[0018]进一步地，所述步骤4在获取彩色图像后输入目标检测模型前还包括对彩色图像进行预处理，包括大小重调整及图像归一化。
[0019]进一步地，所述血清指数包括溶血指数、黄疸指数及乳糜指数。
[0020]基于深度学习的血清指数智能化判读系统，包括：
[0021]图像采集单元：用于采集包含血清样本的采血管的彩色图像；
[0022]血清区域定位单元：用于根据目标检测模型确定彩色图像中的血清区域；
[0023]血清指数预测单元：用于根据血清区域采用血清指数识别模型进行血清指数识别。
[0024]进一步地，所述图像采集单元包括：用于固定采血管的夹爪，用于照明补光的光源及用于获取采血管彩色图像的相机。
[0025]进一步地，所述光源设有两个，分别位于相机两侧。
[0026]本专利技术相比于现有技术具有的有益效果是：通过目标检测模型获取采血管彩色图像中的血清区域，基于此区域再进行血清指数识别，无需额外处理以获取血清液体，使用更方便。通过血清区域定位提升了血清指数识别时的像素占比，去除多余部分干扰，使得识别结果更准确。
附图说明
[0027]图1为基于深度学习的血清指数智能化判读方法的流程图；
[0028]图2为图像采集单元的结构示意图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0030]如图1所示，基于深度学习的血清指数智能化判读方法，包括：
[0031]步骤1、获取离心静置后的采血管的彩色图像数据集，所述彩色图像数据集包括：多张彩色图像和彩色图像对应的血清区域及血清指数；血清区域及血清指数采用人工标注，血清区域可采用Matlab的TrainingImageLabeler进行boundingbox标注，血清指数包括溶血指数、黄疸指数及乳糜指数；
[0032]步骤2、构建目标检测模型框架，基于彩色图像及彩色图像对应的血清区域对目标检测模型框架进行学习训练，获得目标检测模型；
[0033]具体的，所述步骤2包括：
[0034]步骤21、基于yolov5建立目标检测模型框架；
[0035]步骤22、基于多张彩色图像和彩色图像对应的血清区域对目标检测模型框架进行学习训练；当目标检测模型框架的损失函数降低到指定阈值时结束训练，导出此时的目标
检测模型框架作为目标检测模型。
[0036]Yolov5具有网络体积小、训练速度快、推理时间少等优点，对图像尺寸为142*509的图像，仅用数百张照片训练10小时左右即可，且实际使用时其推理时间小于20毫秒，具有极强的实用性。
[0037]步骤3、构建血清指数识别框架，基于彩色图像对应的血清区域及血清指数对血清指数识别框架进行学习训练，获得血清指数识别模型；
[0038]具体的，所述步骤3包括：
[0039]步骤31、建立血清指数识别框架；
[0040]步骤32、基于经目标检测模型获取的多张血清区域图像及该图像对应的血清指数对血清指数识别框架进行学习训练；当血清指数识别框架的损失函数降低到指定阈值时结束训练，导出此时的血清指数识别框架作为血清指数识别模型；
[0041]步骤4、获取待识别的离心静置后的采血管的彩色图像，并将其输入目标检测模型中以获取血清区域；
[0042]步骤5、将获取的血清区域输入血清指数识别模型中获取对应的血清指数。
[0043]优选的，在图像进入网络进行运算推理之前，需要进行一定的预处理，其处理步骤主要包含：大小重调整、图像归一化。
[0044]设原始图像为img0，目标图像为img，图像大小重调整通过图像填充技术从而不改变图像比例，具体操作步骤为：
[0045]计算从img0变换到img的尺寸分别在长宽方向的比例，分别记为r
w
，r
h
；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的血清指数智能化判读方法，其特征在于，包括：步骤1、获取离心静置后的采血管的彩色图像数据集，所述彩色图像数据集包括：多张彩色图像和彩色图像对应的血清区域及血清指数；步骤2、构建目标检测模型框架，基于彩色图像及彩色图像对应的血清区域对目标检测模型框架进行学习训练，获得目标检测模型；步骤3、构建血清指数识别框架，基于彩色图像对应的血清区域及血清指数对血清指数识别框架进行学习训练，获得血清指数识别模型；步骤4、获取待识别的离心静置后的采血管的彩色图像，并将其输入目标检测模型中以获取血清区域；步骤5、将获取的血清区域输入血清指数识别模型中获取对应的血清指数。2.根据权利要求1所述的基于深度学习的血清指数智能化判读方法，其特征在于，所述步骤1中的彩色图像对应的血清区域采用Matlab的TrainingImageLabeler进行bounding box标注获取。3.根据权利要求1所述的基于深度学习的血清指数智能化判读方法，其特征在于，所述步骤2包括：步骤21、基于yolov5建立目标检测模型框架；步骤22、基于多张彩色图像和彩色图像对应的血清区域对目标检测模型框架进行学习训练；当目标检测模型框架的损失函数降低到指定阈值时结束训练，导出此时的目标检测模型框架作为目标检测模型。4.根据权利要求3所述的基于深度学习的血清指数智能化判...

【专利技术属性】
技术研发人员：王霞，胥劲，何訸，孙婉婷，谭尧，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：