本发明专利技术适用于图像处理技术领域，尤其涉及一种血小板抗体检测结果判读装置及方法，所述方法包括：构建凝集反应分类标准；构建神经网络模型，建立训练数据集，对神经网络模型进行训练和检测；采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值，根据特征值生成判读结果。本发明专利技术是基于固相凝集法对血小板抗体检测的U型孔结果进行标准化判读，可与全自动加样仪或者手工法相配合，拍照图像可保存可复核，利用本发明专利技术可以提高判读准确性，减少人为因素误判，促进输血安全，实用性强。强。强。
【技术实现步骤摘要】
一种血小板抗体检测结果判读装置及方法
[0001]本专利技术属于图像处理
，尤其涉及一种血小板抗体检测结果判读装置及方法。
技术介绍
[0002]血小板抗体是由输血、妊娠等免疫途径产生，有着重要的临床意义。患者血小板抗体阳性，可以导致血小板输血无效和非溶血性发热等输血不良反应，严重威胁输血安全，患者需要输注配型血小板和去除白细胞的血液制品。血小板抗体作为输血前重要的检测项目，检测结果对于制定科学安全的输血治疗方案有着重要指导作用。
[0003]该检测是基于固相凝集法原理，通过观察离心后红细胞平铺在U型孔底部表面判读红细胞凝集强度结果，目前普遍采用肉眼观察，人工判读，结果受判读者主观影响较强，报告存在较大个体差异。
技术实现思路
[0004]本专利技术实施例的目的在于提供一种血小板抗体检测结果判读方法，旨在解决采用肉眼观察，人工判读，结果受判读者主观影响较强，报告存在较大个体差异的问题。
[0005]本专利技术实施例是这样实现的，一种血小板抗体检测结果判读方法，所述方法包括：构建凝集反应分类标准；构建神经网络模型，建立训练数据集，对神经网络模型进行训练和检测；采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值，根据特征值生成判读结果。
[0006]优选的，所述建立训练数据集的步骤，具体包括：采集U型孔结果图片；对U型孔结果图片进行分割，得到多组单孔图片；根据凝集反应分类标准对单孔图片进行凝集强度标注；以单孔图片为基准，为其设置ROI区域，将其作为识别训练区域；根据凝集强度的标注结果将不同凝集强度放入不同的图片子集，得到训练数据集。
[0007]优选的，所述对神经网络模型进行训练和检测的步骤，具体包括：将训练数据集作为输入，以对应的凝集强度标注作为输出对神经网络模型进行初次训练；重新采集U型孔结果图片，利用初次训练后的神经网络模型对U型孔结果图片进行处理，根据处理结果对神经网络模型进行修正，重复本步骤，直至神经网络模型的识别准确率达到预设值。
[0008]优选的，所述采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值的步骤，具体包括：
采集血小板抗体检测结果图片，将血小板抗体检测结果图片输入到神经网络模型中进行分类，神经网络模型根据血小板抗体检测结果图片输出对应的特征值，判断特征值是否在预设阈值范围内，若特征值超出预设范围，则视为分类失败。
[0009]优选的，根据特征值生成判读结果的步骤，具体包括：通过神经网络模型对阳性对照和阴性对照进行分类，根据分类结果判定本次试验结果是否有效，若无效，则将血小板抗体检测结果图片判定为可疑。
[0010]优选的，判读结果包含阳性结果和阴性结果，其中阳性结果包含五个小类，不同小类的阳性结果具有不同的特征值和特征。
[0011]优选的，血小板抗体检测结果图片判定为可疑时，对其进行人工确认。
[0012]优选的，所述血小板抗体检测结果图片和判读结果均进行存储。
[0013]本专利技术实施例的另一目的在于提供一种血小板抗体检测结果判读装置，所述装置包括：底板，所述底板上设置有固定槽，底板的一侧设置有支架，所述支架上固定安装有摄像头，底板上设置有照明装置，底板设置有用于控制照明装置的调节旋钮，底板上设置有数据接口。
[0014]优选的，数据接口类型为USB接口。
[0015]本专利技术是基于固相凝集法对血小板抗体检测的U型孔结果进行标准化判读，可与全自动加样仪或者手工法相配合，拍照图像可保存可复核，利用本专利技术可以提高判读准确性，减少人为因素误判，促进输血安全，实用性强。
附图说明
[0016]图1为本专利技术实施例提供的一种血小板抗体检测结果判读方法的主流程图。
[0017]图2为本专利技术实施例提供的一种血小板抗体检测结果判读装置的结构示意图。
[0018]附图标记：1、支架；2、底板；3、固定槽；4、照明装置；5、调节旋钮；6、摄像头；7、数据接口。
具体实施方式
[0019]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。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。
[0020]可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0021]如图1所示，为本专利技术实施例提供的一种血小板抗体检测结果判读方法的主流程图，所述方法包括：S100，构建凝集反应分类标准。
[0022]S200，构建神经网络模型，建立训练数据集，对神经网络模型进行训练和检测。
[0023]S300，采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值，
根据特征值生成判读结果。
[0024]在本实施例中，本专利技术具体包括：步骤一，建立凝集反应分类标准：根据固相凝集原理对试验中U型孔凝集反应进行分类，分为阴性结果和阳性结果2大类，其中，阴性结果的类型符号为“－”，其表现特征为：红细胞在反应孔底部中央形成红细胞聚集，或红细胞聚集区出现少许中空形状但聚集区外沿光滑；阳性结果分为5个小类，五个小类阳性结果分别为，类型符号为“4+”，表现特征为：红细胞平铺在反应孔底部表面；类型符号为“3+”，表现特征为：红细胞平铺在反应孔底部1～3/4表面；类型符号为“2+”，表现特征为：红细胞平铺在反应孔底部1/2～3/4表面；类型符号为“1+”，表现特征为：红细胞平铺在反应孔底部1/4～1/2表面，并且结合区域大于阴性对照；类型符号为
“±”
，表现特征为：红细胞平铺在反应孔底部小于1/4表面，细胞外沿有不规则毛刺，并且结合区域不小于阴性对照；步骤二，建立图片分类模型：1、图像采集：通过摄像头6采集U型孔结果图片；2、图片分类标注：将U型孔结果图片以单个U型孔为单位分割成若干张图片，得到单孔图片，并且单孔图片与96孔板中的位置一一对应；按照步骤一所述的凝集反应分类标准，为每一个单孔图片标注凝集强度；3、制作模型训练集：以U型孔底为基准，在图片上截取合适的ROI区域作为识别训练区域，将处理好的单孔图片根据步骤2中的标注，分别放入不同凝集强度的图片子集，保证每个图片子集中都有足够的图片数量，并将所有图片子集合并放入一个集合中，作为模型训练集；4、模型训练：构建神经网络模型，以步骤3得到的模型训练集作为输入，以模型训练集中的相应的标注作为输出训练神经网络模型，得到初步训练后的神经网络模型；5、模型完善：按步骤1采集新的U型孔结果图片，通过步骤4得到的初步训练后的神经网络模型对U型孔结果图片中U型孔进行自动分类标注；然后对标注后的图片分类进行确认，并修正其中错误的标注；将确认并修正后的图片纳入到模型训练集中，然后按步骤4，对初步训本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种血小板抗体检测结果判读方法，其特征在于，所述方法包括：构建凝集反应分类标准；构建神经网络模型，建立训练数据集，对神经网络模型进行训练和检测；采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值，根据特征值生成判读结果。2.根据权利要求1所述的血小板抗体检测结果判读方法，其特征在于，所述建立训练数据集的步骤，具体包括：采集U型孔结果图片；对U型孔结果图片进行分割，得到多组单孔图片；根据凝集反应分类标准对单孔图片进行凝集强度标注；以单孔图片为基准，为其设置ROI区域，将其作为识别训练区域；根据凝集强度的标注结果将不同凝集强度放入不同的图片子集，得到训练数据集。3.根据权利要求1所述的血小板抗体检测结果判读方法，其特征在于，所述对神经网络模型进行训练和检测的步骤，具体包括：将训练数据集作为输入，以对应的凝集强度标注作为输出对神经网络模型进行初次训练；重新采集U型孔结果图片，利用初次训练后的神经网络模型对U型孔结果图片进行处理，根据处理结果对神经网络模型进行修正，重复本步骤，直至神经网络模型的识别准确率达到预设值。4.根据权利要求1所述的血小板抗体检测结果判读方法，其特征在于，所述采集血小板抗体检测结果图片，将其输入至神经网络模型中，得到特征值的步骤，具体包括：采集血小板抗体检测结果图片，将血小板抗体检测...
【专利技术属性】
技术研发人员：赵广义，肖扬，冯莹，
申请(专利权)人：广州知力医学诊断技术有限公司，
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。