尿液有形成分分析方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及生物檢測(cè)，尤其涉及一種尿液有形成分分析方法和裝置。
【背景技術(shù)】
[0002]在通常的尿沉渣分析技術(shù)中，首先利用顯微系統(tǒng)拍攝尿液樣本圖像。然后，利用邊緣檢測(cè)技術(shù)分割出尿液樣本中的微粒區(qū)塊。從這些微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊，留下有形成分(如紅細(xì)胞、白細(xì)胞、結(jié)晶)區(qū)塊。然后，對(duì)這些有形成分分類，例如分成紅細(xì)胞、白細(xì)胞、結(jié)晶等。
[0003]分類過(guò)程常常使用基于訓(xùn)練模型的分類器。例如，會(huì)利用一些對(duì)于區(qū)分各類有形成分有幫助的分類特征，例如面積、圓形度、伸展度、梯度等，組成分類特征集來(lái)訓(xùn)練分類器，例如神經(jīng)網(wǎng)絡(luò)。例如，事先將大量的有形成分區(qū)塊樣本輸入分類器，并通過(guò)測(cè)算它們的分類特征(例如面積、圓形度、伸展度、梯度等)進(jìn)行訓(xùn)練。這樣，當(dāng)輸入新的有形成分區(qū)塊后，訓(xùn)練好的分類器根據(jù)測(cè)算的該區(qū)塊的分類特征，對(duì)其進(jìn)行分類。
[0004]現(xiàn)有的尿沉渣分析技術(shù)中，存在著有形成分區(qū)塊分類準(zhǔn)確度不夠高等缺點(diǎn)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的一個(gè)實(shí)施例旨在提高有形成分區(qū)塊的分類準(zhǔn)確度。
[0006]根據(jù)本發(fā)明的一個(gè)實(shí)施例，提供了一種尿液有形成分分析方法，包括:從尿液樣本圖像中檢測(cè)有形成分區(qū)塊；為多個(gè)決策樹(shù)分配分類特征集中的分類特征，從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡，所述分類特征集中的分類特征用于對(duì)有形成分區(qū)塊進(jìn)行分類；按照所述多個(gè)決策樹(shù)決策的結(jié)果對(duì)有形成分區(qū)塊進(jìn)行分類。
[0007]在一種具體實(shí)現(xiàn)中，為多個(gè)決策樹(shù)分配分類特征集中的分類特征從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡的步驟包括:將分類特征集中的分類特征按照對(duì)有形成分區(qū)塊進(jìn)行分類的有效性分成多個(gè)級(jí)別，并使每個(gè)決策樹(shù)具有在所述多個(gè)級(jí)別中的每個(gè)級(jí)別的分類特征。
[0008]在一種具體實(shí)現(xiàn)中，為神經(jīng)網(wǎng)絡(luò)中的多個(gè)決策樹(shù)分配分類特征集中的分類特征從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡的步驟包括:對(duì)分類特征集中的分類特征對(duì)有形成分區(qū)塊進(jìn)行分類的有效性進(jìn)行評(píng)分，并使每個(gè)決策樹(shù)分配到的分類特征的總評(píng)分均衡。
[0009]在一種具體實(shí)現(xiàn)中，從尿液樣本圖像中檢測(cè)有形成分區(qū)塊的步驟包括:從尿液樣本圖像中分割出微粒區(qū)塊；按照檢測(cè)特征集中的檢測(cè)特征，使檢測(cè)算法從分割出的微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊，保留有形成分區(qū)塊；接收對(duì)雜質(zhì)區(qū)塊或背景區(qū)塊的去除或?qū)τ行纬煞謪^(qū)塊的保留的結(jié)果的反饋，按照該反饋進(jìn)一步訓(xùn)練檢測(cè)算法。
[0010]在一種具體實(shí)現(xiàn)中，該預(yù)先按照檢測(cè)特征集中的檢測(cè)特征，針對(duì)預(yù)先輸入的有形成分區(qū)塊、雜質(zhì)區(qū)塊和背景區(qū)塊的樣本集訓(xùn)練所述檢測(cè)算法。
[0011]在一種具體實(shí)現(xiàn)中，利用檢測(cè)算法從分割出的微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊并保留有形成分區(qū)塊的步驟包括:按照檢測(cè)特征集中的第一部分檢測(cè)特征濾除一部分雜質(zhì)區(qū)塊和/或背景區(qū)塊，再按照檢測(cè)特征集中的第二部分檢測(cè)特征濾除另一部分雜質(zhì)區(qū)塊和/或背景區(qū)塊。
[0012]根據(jù)本發(fā)明的一個(gè)實(shí)施例，提供了一種尿液有形成分分析裝置，包括:檢測(cè)單元，被配置成從尿液樣本圖像中檢測(cè)有形成分區(qū)塊；分配單元，被配置成為多個(gè)決策樹(shù)分配分類特征集中的分類特征，從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡，所述分類特征集中的分類特征用于對(duì)有形成分區(qū)塊進(jìn)行分類；分類單元，被配置成按照所述多個(gè)決策樹(shù)決策的結(jié)果對(duì)有形成分區(qū)塊進(jìn)行分類。
[0013]在一種具體實(shí)現(xiàn)中，分配單元被配置成將分類特征集中的分類特征按照對(duì)有形成分區(qū)塊進(jìn)行分類的有效性分成多個(gè)級(jí)別，并使每個(gè)決策樹(shù)具有在所述多個(gè)級(jí)別中的每個(gè)級(jí)別的分類特征。
[0014]在一種具體實(shí)現(xiàn)中，分配單元被配置成對(duì)分類特征集中的分類特征對(duì)有形成分區(qū)塊進(jìn)行分類的有效性進(jìn)行評(píng)分，并使每個(gè)決策樹(shù)分配到的分類特征的總評(píng)分均衡。
[0015]在一種具體實(shí)現(xiàn)中，檢測(cè)單元被配置為:從尿液樣本圖像中分割出微粒區(qū)塊；按照檢測(cè)特征集中的檢測(cè)特征，使檢測(cè)算法從分割出的微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊，保留有形成分區(qū)塊；接收對(duì)雜質(zhì)區(qū)塊或背景區(qū)塊的去除或?qū)τ行纬煞謪^(qū)塊的保留的結(jié)果的反饋，按照該反饋進(jìn)一步檢測(cè)算法。
[0016]在一種具體實(shí)現(xiàn)中，預(yù)先按照檢測(cè)特征集中的檢測(cè)特征，針對(duì)預(yù)先輸入的有形成分區(qū)塊、雜質(zhì)區(qū)塊和背景區(qū)塊的樣本集訓(xùn)練檢測(cè)算法。
[0017]由于根據(jù)本發(fā)明的一個(gè)實(shí)施例，為多個(gè)決策樹(shù)分配分類特征集中的分類特征，從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡。用這樣多個(gè)能力均衡的決策樹(shù)分別決策，并綜合其決策結(jié)果，得到的分類結(jié)果會(huì)更準(zhǔn)確。因此，本發(fā)明的一個(gè)實(shí)施例提高了有形成分區(qū)塊的分類準(zhǔn)確度。
【附圖說(shuō)明】
[0018]本發(fā)明的這些和其它的特征和優(yōu)點(diǎn)通過(guò)以下結(jié)合附圖的詳細(xì)描述將變得更加顯而易見(jiàn)。
[0019]圖1示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的尿液有形成分分析方法的流程圖。
[0020]圖2示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的尿液有形成分分析裝置的框圖。
[0021]圖3示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的尿液有形成分分析設(shè)備的框圖。
【具體實(shí)施方式】
[0022]下面，將結(jié)合附圖詳細(xì)描述本發(fā)明的各個(gè)實(shí)施例。
[0023]如圖1所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的尿液有形成分分析方法1，包括:在步驟SI，從尿液樣本圖像中檢測(cè)有形成分區(qū)塊；在步驟S2，為多個(gè)決策樹(shù)分配分類特征集中的分類特征，從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡，所述分類特征集中的分類特征用于對(duì)有形成分區(qū)塊進(jìn)行分類；在步驟S3，按照所述多個(gè)決策樹(shù)決策的結(jié)果對(duì)有形成分區(qū)塊進(jìn)行分類。
[0024]現(xiàn)在結(jié)合一個(gè)具體實(shí)施例對(duì)步驟S1-S3所述的過(guò)程進(jìn)行描述。
[0025]首先，在步驟SI，從尿液樣本圖像中檢測(cè)有形成分區(qū)塊。
[0026]利用現(xiàn)有技術(shù)的邊緣檢測(cè)等方法，可以從拍攝的尿液樣本圖像中分割出微粒區(qū)塊(包括有形成分區(qū)塊、雜質(zhì)區(qū)塊、背景區(qū)塊)。檢測(cè)有形成分區(qū)塊的過(guò)程也可用到訓(xùn)練模型。類似于分類訓(xùn)練模型中的分類特征集，檢測(cè)訓(xùn)練模型中用到檢測(cè)特征集。檢測(cè)特征集中的檢測(cè)特征是用來(lái)區(qū)分有形成分和雜質(zhì)、背景等的。分類特征集中的分類特征是用來(lái)區(qū)分不同有形成分的。因此，檢測(cè)特征可能會(huì)不同于分類特征，但也可能部分是相同的。
[0027]可以按照檢測(cè)特征集中的檢測(cè)特征，針對(duì)預(yù)先輸入的大量有形成分區(qū)塊、雜質(zhì)區(qū)塊和背景區(qū)塊的樣本集訓(xùn)練基于boosting的檢測(cè)算法。雜質(zhì)區(qū)塊和背景區(qū)塊的樣本例如可通過(guò)挖掘算法產(chǎn)生。
[0028]例如，在圓形度作為唯一的檢測(cè)特征的情況下，訓(xùn)練后的基于boosting的檢測(cè)算法就會(huì)將圓形度在某一范圍內(nèi)的區(qū)塊檢測(cè)為有形成分區(qū)塊，而將圓形度在另一范圍內(nèi)的區(qū)塊歸為雜質(zhì)區(qū)塊。這樣，按照檢測(cè)特征集中的檢測(cè)特征，訓(xùn)練后的基于boosting的檢測(cè)算法就可以從分割出的微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊，保留有形成分區(qū)塊。
[0029]在實(shí)際運(yùn)行時(shí)，在輸入新的微粒區(qū)塊時(shí)，訓(xùn)練后的基于boosting的檢測(cè)算法會(huì)將其歸為有形成分區(qū)塊、雜質(zhì)區(qū)塊或背景區(qū)塊。當(dāng)顯示器旁的專家判斷該結(jié)果不正確(包括將有形成分區(qū)塊誤判為雜質(zhì)區(qū)塊或背景區(qū)塊，或?qū)㈦s質(zhì)區(qū)塊或背景區(qū)塊誤判為有形成分區(qū)塊)時(shí)，輸入反饋?？梢愿鶕?jù)該反饋進(jìn)一步訓(xùn)練基于boosting的檢測(cè)算法。例如，在圓形度作為唯一的檢測(cè)特征的情況下，基于boosting的檢測(cè)算法將圓形度在某一范圍內(nèi)的區(qū)塊檢測(cè)為有形成分區(qū)塊，但專家給出了負(fù)反饋。此時(shí)，基于boosting的檢測(cè)算法需要重新考量用于判定有形成分區(qū)塊的圓形度范圍的上下限是否合適。因此，相比于一旦預(yù)先訓(xùn)練好基于boosting的檢測(cè)算法在實(shí)際運(yùn)行中就不再接受專家反饋的方案，本發(fā)明的一個(gè)實(shí)施例可在實(shí)際運(yùn)行中不斷接受反饋來(lái)自學(xué)習(xí)，從而提高了檢測(cè)有形成分區(qū)塊的檢測(cè)精度。
[0030]可以通過(guò)級(jí)聯(lián)算法來(lái)提高從分割出的微粒區(qū)塊中去除雜質(zhì)區(qū)塊和背景區(qū)塊并保留有形成分區(qū)塊的速度。例如，可以先從檢測(cè)特征集中選取一個(gè)或多個(gè)區(qū)分有形成分區(qū)塊和背景/雜質(zhì)區(qū)塊的有效性較高的檢測(cè)特征，據(jù)此濾除一部分容易濾除的雜質(zhì)區(qū)塊和/或背景區(qū)塊。然后，在檢測(cè)特征集中再選取一個(gè)或多個(gè)檢測(cè)特征，據(jù)此在剩下的微粒區(qū)塊中再濾除一些雜質(zhì)區(qū)塊和/或背景區(qū)塊。重復(fù)這樣的過(guò)程，直至只剩下有形成分區(qū)塊。
[0031]其它變形
[0032]本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，上述在實(shí)際運(yùn)行中根據(jù)反饋進(jìn)一步訓(xùn)練(自學(xué)習(xí))基于boosting的檢測(cè)算法的過(guò)程也可以省略。這一過(guò)程只是用于進(jìn)一步提高檢測(cè)有形成分區(qū)塊的檢測(cè)精度。沒(méi)有這一過(guò)程，仍然能夠檢測(cè)出有形成分區(qū)塊。
[0033]本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，也可以不按照檢測(cè)特征集中的檢測(cè)特征，針對(duì)預(yù)先輸入的大量有形成分區(qū)塊、雜質(zhì)區(qū)塊和背景區(qū)塊的樣本集訓(xùn)練基于boosting的檢測(cè)算法。例如，可以采用只根據(jù)實(shí)際運(yùn)行中的反饋訓(xùn)練基于boosting的檢測(cè)算法的方式。也可以不采用訓(xùn)練模型的方式，而采用現(xiàn)有技術(shù)中的不基于檢測(cè)特征集和檢測(cè)訓(xùn)練模型的其它邊緣檢測(cè)方法。
[0034]本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，也可以不采用上述的級(jí)聯(lián)算法。級(jí)聯(lián)算法相比于一次性從檢測(cè)特征集中選取全部所需檢測(cè)特征并一次性用于基于boosting的檢測(cè)算法的方案相比，提高了檢測(cè)的速度。但在不要求較高檢測(cè)速度的應(yīng)用場(chǎng)合，也可以采用將全部所需檢測(cè)特征一次性用于基于boosting的檢測(cè)算法的方式。
[0035]在步驟S2，為多個(gè)決策樹(shù)分配分類特征集中的分類特征，從而使所述多個(gè)決策樹(shù)中的每個(gè)決策樹(shù)對(duì)有形成分區(qū)塊進(jìn)行分類的能力均衡。
[0036]假設(shè)分類特征集中有20個(gè)分類特征A-f^。隨機(jī)選取5個(gè)決策樹(shù)T1-T5,用于對(duì)有形成分區(qū)塊進(jìn)行分類的決策。f1-fV用于對(duì)有形成