虫卵识别方法、系统和存储介质与流程
本申请涉及医学检验,尤其涉及一种虫卵识别方法、系统和存储介质。
背景技术:
1、目前,寄生虫病是严重的全球性公共卫生问题,通常采用显微镜检查法来诊断寄生虫感染状况。相关技术中的自动化图像识别算法为纯净的载玻片背景设计,但不同待检样本具有不同的背景干扰特性,采用统一的图像处理或统一识别路径会影响虫卵识别的可靠性,导致虫卵识别结果的准确性低。
技术实现思路
1、本申请的主要目的在于提供一种虫卵识别方法、系统和存储介质,旨在解决虫卵识别结果准确性低的技术问题。
2、为实现上述目的,本申请提供一种虫卵识别方法,应用于终端设备,虫卵识别方法包括:
3、对采集到的初始样本图像进行背景抑制得到目标样本图像,初始样本图像对应的待检样本包括粪便载玻片样本或者尿液滤膜样本;
4、将目标样本图像输入域适应识别模型,域适应识别模型包括主干网络和至少两个分支网络,主干网络并行连接至少两个分支网络,不同样本类型对应不同的分支网络;域适应识别模型根据目标样本图像的样本类型选择对应的分支网络进行推理,得到虫卵识别结果;
5、获取域适应识别模型输出的虫卵识别结果,虫卵识别结果包括定位信息、分类结果和置信度。
6、在一实施例中,对采集到的初始样本图像进行背景抑制得到目标样本图像的步骤包括:
7、当待检样本为尿液滤膜样本时,将初始样本图像从空间域转换至频域得到第一频域图像,初始样本图像为具有周期性网格纹理的图像;
8、根据初始样本图像中滤膜的网格纹理特征设置带阻滤波器,基于带阻滤波器滤除初始样本图像中的周期性网格背景噪声,得到第二频域图像;
9、对第二频域图像执行逆傅里叶变换,将第二频域图像从频域转换至空间域,得到背景抑制后的目标样本图像。
10、在一实施例中,对采集到的初始样本图像进行背景抑制得到目标样本图像的步骤之前,还包括:
11、将待检样本置于载物台,对待检样本进行预览扫描并采集预览图像;
12、将预览图像输入预设的分类网络进行识别,得到待检样本的样本类型;
13、基于样本类型确定待检样本的扫描策略,扫描策略包括成像模式和物镜倍率;
14、基于扫描策略对待检样本进行扫描,得到初始样本图像。
15、在一实施例中,获取域适应识别模型输出的虫卵识别结果的步骤之后,还包括:
16、若置信度大于或等于置信度阈值,且分类结果的最高类别概率与次高类别概率的比值高于预设比值阈值,基于定位信息和分类结果生成检测报告;置信度为存在虫卵的概率,类别概率为分类结果对应的概率;
17、将目标样本图像标记为常规图像。
18、在一实施例中,获取域适应识别模型输出的虫卵识别结果之后,还包括:
19、当满足至少一个预设条件时,将目标样本图像标记为疑难图像;
20、其中,满足预设条件包括:
21、置信度小于置信度阈值;
22、当至少两个标注虫卵位置的检测框的重叠面积大于预设面积阈值,且各检测框的最高分类概率高于预设分类阈值,各个检测框的最高分类概率所对应的分类结果不一致;检测框为域适应识别模型在目标样本图像中标注的用于定位虫卵位置的边界框;
23、域适应识别模型输出的检测框的数量为0,且目标样本图像的纹理复杂度大于复杂度阈值。
24、在一实施例中,方法还包括:
25、将检测报告、关键帧索引以及常规图像上传至云平台,关键帧索引为虫卵所在常规图像的图像区域编号;
26、将疑难图像和对应的虫卵识别结果上传至云平台;
27、接收云平台发送的差分模型参数,基于差分模型参数对域适应识别模型进行参数更新。
28、此外,为实现上述目的,本申请还提供一种虫卵识别方法,应用于云平台,虫卵识别方法包括:
29、接收终端设备发送的检测报告、关键帧索引和对应的常规图像,以及疑难图像和对应的虫卵识别结果,关键帧索引为虫卵所在常规图像的图像区域编号;
30、将检测报告、关键帧索引和对应的常规图像作为常规样本;
31、获取疑难图像的人工复核修正的虫卵识别结果,整合修正后的虫卵识别结果与疑难图像得到疑难样本;
32、基于常规样本以及疑难样本对在云平台中保存的域适应识别模型进行增量优化,得到优化后的模型参数;
33、确定优化后的模型参数与域适应识别模型参数之间的差分模型参数,将差分模型参数发送至终端设备。
34、在一实施例中,基于常规样本以及疑难样本对在云平台中保存的域适应识别模型进行增量优化,得到优化后的模型参数的步骤包括:
35、将疑难样本与常规样本构成混合数据集,以域适应识别模型为基线模型;
36、基于混合数据集对基线模型进行增量训练,以及对基线模型的分支网络分别使用对应的样本类型的样本数据进行训练,得到优化后的模型参数。
37、此外,为实现上述目的,本申请还提供一种虫卵识别系统,虫卵识别系统采用云边端协同架构,虫卵识别系统包括终端设备和云平台,终端设备包括:显微成像模块、电动载物台、边缘计算模块、电池模块、通信模块、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序配置为实现如上述虫卵识别方法的步骤;云平台包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序配置为实现如上述虫卵识别方法的步骤。
38、此外,为实现上述目的,本申请还提供一种存储介质,存储介质为计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述虫卵识别方法的步骤。
39、本申请提供了一种虫卵识别方法,通过对采集到的初始样本图像进行背景抑制得到目标样本图像,初始样本图像对应的待检样本包括粪便载玻片样本或者尿液滤膜样本;将目标样本图像输入域适应识别模型,域适应识别模型包括主干网络和至少两个分支网络,主干网络并行连接至少两个分支网络,不同样本类型对应不同的分支网络。域适应识别模型根据目标样本图像的样本类型选择对应的分支网络进行推理,得到虫卵识别结果;获取域适应识别模型输出的虫卵识别结果,虫卵识别结果包括定位信息、分类结果和置信度。通过对背景噪声进行准确滤除,提供了目标特征清晰的输入图像,同时域适应识别模型通过专用分支网络确保了对两种差异样本的自适应识别,并进一步筛选得到高可靠性结果,具有提高虫卵识别结果的准确性的技术效果。
1.一种虫卵识别方法,其特征在于,应用于终端设备,所述虫卵识别方法包括:
2.如权利要求1所述的虫卵识别方法,其特征在于,所述对采集到的初始样本图像进行背景抑制得到目标样本图像的步骤包括:
3.如权利要求1所述的虫卵识别方法,其特征在于,所述对采集到的初始样本图像进行背景抑制得到目标样本图像的步骤之前,还包括:
4.如权利要求1所述的虫卵识别方法,其特征在于,所述获取所述域适应识别模型输出的虫卵识别结果的步骤之后,还包括:
5.如权利要求4所述的虫卵识别方法,其特征在于,获取所述域适应识别模型输出的虫卵识别结果之后,还包括:
6.如权利要求5所述的虫卵识别方法,其特征在于,所述方法还包括:
7.一种虫卵识别方法,其特征在于,应用于云平台,所述虫卵识别方法包括:
8.如权利要求7所述的虫卵识别方法,其特征在于,所述基于所述常规样本以及所述疑难样本对在云平台中保存的域适应识别模型进行增量优化,得到优化后的模型参数的步骤包括:
9.一种虫卵识别系统,其特征在于,所述虫卵识别系统采用云边端协同架构,所述虫卵识别系统包括终端设备和云平台,所述终端设备包括:显微成像模块、电动载物台、边缘计算模块、电池模块、通信模块、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求1至6中任一项所述的虫卵识别方法的步骤;所述云平台包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求7至8中任一项所述的虫卵识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的虫卵识别方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com