【技术实现步骤摘要】
低密度脂蛋白试剂浓度的确定方法、装置及存储介质
[0001]本申请实施例涉及医药试剂检测
,尤其涉及一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质。
技术介绍
[0002]低密度脂蛋白试剂的浓度可以表征人的身体健康水平,随着医疗水平的提高,对于低密度脂蛋白试剂的浓度检测的需求也越来越多。然而,在需要同时对大量低密度脂蛋白试剂进行浓度检测时,现有的检测方法检测效率较低。因此,亟待提出一种低密度脂蛋白试剂浓度的确定方法,提高低密度脂蛋白试剂浓度的检测效率。
技术实现思路
[0003]本申请提供一种低密度脂蛋白试剂浓度的确定方法、装置及存储介质,可以提高低密度脂蛋白试剂浓度的检测效率。
[0004]为达到上述目的,本申请采用如下技术方案:
[0005]第一方面,本申请提供一种低密度脂蛋白试剂浓度的确定方法,包括:获取低密度脂蛋白试剂的目标图像;通过预设随机森林模型,基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值,确定目标图像关联的目标分类节点,且根据目标分类节点的浓度值,确定低密度脂蛋白试剂的浓度。
[0006]由于低密度脂蛋白试剂的浓度是与包含低密度脂蛋白试剂的图像中像素点的灰度值有关的,所以可以将目标图像输入预先训练好的预设随机森林模型,基于目标图像中像素点的灰度值和预设随机森林模型中分类回归树的分类节点的灰度阈值确定出低密度脂蛋白试剂的浓度。可以看出,预设随机森林模型可以替代人工对低密度脂蛋白试剂的浓度进行检测,因此,本申请提供的低密度 ...
【技术保护点】
【技术特征摘要】
1.一种低密度脂蛋白试剂浓度的确定方法,其特征在于,包括:获取低密度脂蛋白试剂的目标图像;通过预设随机森林模型,基于所述目标图像中像素点的灰度值和所述预设随机森林模型中分类回归树的分类节点的灰度阈值,确定所述目标图像关联的目标分类节点,且根据所述目标分类节点的浓度值,确定所述低密度脂蛋白试剂的浓度。2.根据权利要求1所述的方法,其特征在于,所述方法还包括,通过以下方式确定所述灰度阈值:遍历所述分类节点的样本图像的像素点的灰度值,分别以M个预设灰度值作为初始阈值对所述分类节点的样本图像进行分类,得到M个分类结果;一个分类结果对应两个分类子节点,M为正整数;根据所述分类节点的样本图像的浓度值和所述M个分类结果中所述分类子节点的浓度值,分别确定所述M个分类结果的分类误差;将所述M个分类结果中,分类误差满足预设条件的分类结果对应的预设灰度值确定为所述灰度阈值。3.根据权利要求2所述的方法,其特征在于,所述根据所述分类节点的样本图像的浓度值和所述M个分类结果中所述分类子节点的浓度值,分别确定所述M个分类结果的分类误差,包括:计算第一节点的样本图像的第一浓度均值和第二节点的样本图像的第二浓度均值;所述第一节点和所述第二节点为,以目标预设灰度值作为初始阈值对所述分类节点的样本图像进行节点划分得到的分类子节点;所述目标预设灰度值为所述M个预设灰度值中的任意一个;根据所述第一浓度均值确定所述第一节点的样本图像的浓度值的第一均值误差,根据所述第二浓度均值确定所述第二节点的样本图像的浓度值的第二均值误差;根据所述第一均值误差与所述第二均值误差,确定以所述目标预设灰度值作为初始阈值的分类结果的分类误差。4.根据权利要求1所述的方法,其特征在于,所述方法还包括,通过以下方式确定所述分类回归树:从训练集中选取第一预设数值的样本图像,确定为所述分类回归树的分类节点中的根节点的样本图像;所述训练集中包括第二预设数值的样本图像和所述第二预设数值的样本图像对应的浓度;所述第一预设数值小于或等于所述第二预设数值;步骤A:基于所述根节点的灰度阈值,将所述根节点的样本图像划分至所述根节点的子节点;步骤B:判断所述根节点的子节点是否满足终止条件;所述终止条件根据所述第一预设数值和所述分类回归树的深度确定;步骤C:在所述根节点的子节点满足所述终止条件的情况下,获取所述根节点的子节点的浓度值;所述根节点的子节点的浓度值根据所述根节点的子节点的样本图像的浓度值确定;步骤D:在所述根节点的子节点不满足所述终止条件的情况下,从所述根节点的子节点的样本图像中选取第三预设数值的样本图像作为新的根节点,之后重新执行所述步骤A和
所述步骤B,直至满足所述终止条件,并在满足所述终止条件的情况下,执行所述步骤C;所述第三预设数值小于或等...
【专利技术属性】
技术研发人员:张心觉,高军晖,刘亚,张明,楼敬伟,
申请(专利权)人:上海宝藤医学检验所有限公司上海张江医学创新研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。