基于机器学习和深度学习的ANA荧光片自动识别方法技术

本发明专利技术公开了一种基于机器学习和深度学习的ANA荧光片自动识别方法，属于机器学习与深度学习技术领域，解决现有技术中通过人工判断ANA荧光片，对人员要求高，容易出现误判的问题。本发明专利技术基于机器学习模型，通过数据集计算得到滴度模型；基于深度学习模型，通过数据集计算得到核型模型；读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；将多个特征输入滴度模型，得到预测的滴度；将待识别的图片输入核型模型，得到预测的核型；根据预测的滴度与预测的核型得到识别结果。本发明专利技术用于识别ANA荧光片的滴度和核型。

Automatic Recognition of ANA Fluorescent Plate Based on Machine Learning and Deep Learning

The invention discloses an automatic identification method of ANA fluorescent film based on machine learning and deep learning, which belongs to the technical field of machine learning and deep learning. It solves the problem of high requirement for personnel and easy to misjudge by manual judgment of ANA fluorescent film in the prior art. The present invention is based on machine learning model and gets titer model by calculating data sets; gets karyotype model by calculating data sets based on deep learning model; reads ANA fluorescent film to be recognized, i.e. pictures to be recognized, extracts feature values from pictures to be recognized, and obtains predicted titer by inputting multiple features into titer model; Other pictures are input into the karyotype model to get the predicted karyotype, and the recognition results are obtained according to the predicted titer and the predicted karyotype. The present invention is used to identify the titer and karyotype of ANA fluorescent film.

【技术实现步骤摘要】
基于机器学习和深度学习的ANA荧光片自动识别方法
一种基于机器学习和深度学习的ANA荧光片自动识别方法，用于识别ANA荧光片的滴度和核型，属于机器学习与深度学习

技术介绍
抗核抗体(anti-nuclearantibody，ANA)是抗所有核酸和核蛋白抗体的总称，包括细胞核、细胞浆、细胞骨架、细胞分裂周期中产生的某些成分等。ANA可作为血清学标志物。目前国内外公认生物薄片间接免疫荧光法(indirectimmunofluorescence，IIF)为检测ANA的金标准方法，其具有敏感性高、半定量的特点。虽然IIF在检测ANA中有不可替代的优势，但其自动化和标准化却落后于其他免疫学技术。目前传统ANA荧光片识别方法是人工判断。但此种方法对检验师要求较高，且耗时耗力，可能出现偏差。甚至不同的检验师可能对同一张图片出具不同的检验结果。
技术实现思路
针对上述研究的问题，本专利技术的目的在于提供一种基于机器学习和深度学习的ANA荧光片自动识别方法，解决现有技术中通过人工判断ANA荧光片，对人员要求高，容易出现误判的问题。为了达到上述目的，本专利技术采用如下技术方案：一种基于机器学习和深本文档来自技高网...

【技术保护点】
1.一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，如下步骤：S1、基于机器学习模型，通过数据集计算得到滴度模型；S2、基于深度学习模型，通过数据集计算得到核型模型；S3、读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；S4、将多个特征值输入滴度模型，得到预测的滴度；S5、将待识别的图片输入核型模型，得到预测的核型；S6、根据预测的滴度与预测的核型得到识别结果。

【技术特征摘要】
1.一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，如下步骤：S1、基于机器学习模型，通过数据集计算得到滴度模型；S2、基于深度学习模型，通过数据集计算得到核型模型；S3、读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；S4、将多个特征值输入滴度模型，得到预测的滴度；S5、将待识别的图片输入核型模型，得到预测的核型；S6、根据预测的滴度与预测的核型得到识别结果。2.根据权利要求1所述的一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，所述步骤S1的具体步骤为：S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后，提取清洗后的原始数据集中各ANA荧光片的滴度标注；S1.2、提取滴度标注后的ANA荧光片的特征值，作为数据集；S1.3、根据数据集训练支持向量机，得到滴度模型。3.根据权利要求2所述的一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，所述步骤S1.2的具体步骤为：S1.2.1、将每一张ANA荧光片转换为灰度图片，灰度图片为一个大小为X*Y的二维矩阵M，计算二维矩阵M的所有元素平均值，得到第一个特征值f1；S1.2.2、二维矩阵M的具体某一个元素代表该像素点的灰度值，值的大小在0-255之间，将矩阵所有元素按照灰度强度等级进行计数，即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量，依次将统计得到的数量作为特征值f2-f26，而大小在251-255之间的像素点数量作为特征值f27；S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵分别作为特征值f28-f33；S1.2.4、将得到的特征值f1-f33作为数据集。4.根据权利要求3所述的一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，所述步骤S1.2.3中的计算公式如下：纹理均值的计算公式为：其中，L是灰度级总数，zk表示第k个灰度级，p(zk)是归一化直方图灰度级分布中灰度为zk的概率；纹理方差的计算公式为：纹理平滑度的计...

【专利技术属性】
技术研发人员：黄琪，魏骁勇，武永康，杨震群，盛爱林，钟奇林，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51