本发明专利技术提供一种基于人工智能算法的抗酸分支杆菌标识方法和装置，包括如下步骤：获取抗酸分支杆菌荧光染色图片，人工智能标识抗酸分支杆菌荧光染色图片，获得具有矩形框标识的抗酸分支杆菌图片。本发明专利技术提供的基于人工智能算法的抗酸分支杆菌标识方法，通过抗酸分支杆菌标识神经网络模型实现对抗酸分支杆菌荧光染色图片上的抗酸分支杆菌的快速标识，大幅提高了抗酸分支杆菌的标识效率，提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本。本。本。
【技术实现步骤摘要】
一种基于人工智能算法的抗酸分支杆菌标识方法和装置
[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能算法的抗酸分支杆菌标识方法及装置。
技术介绍
[0002]抗酸分支杆菌的诊断方式目前有四种。第一种是抗酸染色法，单张样片检测时间需要约30分钟，检测效率低，检出率不足5％，检出率相对较低，需要人工逐张判读检测结果，人工消耗大，诊断效率低；第二种是荧光染色法，单张样片检测时间需要约20分钟，检测效率比抗酸染色发有所假阳率较高，需要人工用荧光显微镜进行结果判读，检测效率低；第三种是传统集菌方法，与抗酸染色法和荧光染色法相比，操作相对简单，检出率可以满足要求，但气溶胶风险较大，容易造成大量假阳性。
[0003]因此，亟需一种可以解决上述至少一种问题的诊断方式，提高抗酸分支杆菌的诊断效率。
技术实现思路
[0004]因此，本专利技术要解决的技术问题在于克服现有技术中抗酸分枝杆菌检测效率低的缺陷，从而提供一种基于人工智能算法的抗酸分支杆菌标识方法，可有效提高样片中抗酸分支杆菌的检测效率。
[0005]为此，第一方面，本专利技术一种基于人工智能算法的抗酸分支杆菌标识方法，包括如下步骤：
[0006]获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
[0007]人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
[0008]进一步地，所述深度学习目标检测算法为保留图片8倍缩放的yolov5 算法。
[0009]进一步地：所述抗酸分支杆菌标识神经网络模型的网络损失函数为其中，坐标损失函数的计算公式为：其中，N
loc
为特征图元素个数，是GIoU loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；
[0010]分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间，N
a
为特征图高度，N
o
为特征图宽度。
[0011]第二方面，本专利技术提供一种基于人工智能算法的抗酸分支杆菌标识方法，包括如下步骤：
[0012]获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
[0013]分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成N个子图片，并对子图片进行编号，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；
[0014]人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
[0015]拼合子图片，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
[0016]进一步地，所述深度学习目标检测算法为保留图片8倍缩放的yolov5 算法。
[0017]进一步地，所述抗酸分支杆菌标识神经网络模型的网络损失函数为其中，坐标损失函数的计算公式为：其中，N
loc
为特征图的元素个数，是GIoU loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；
[0018]分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间；N
a
为特征图高度，N
o
为特征图宽度。
[0019]优选的，所述N的值不小于4，更优选的，所述N的值等于4。
[0020]优选的，所述预定方位为所述子图片的左上角。
[0021]第三方面，本专利技术提供一种基于人工智能算法的抗酸分支杆菌标识装置，包括：
[0022]获取模块，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯
化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
[0023]标识模块，人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
[0024]第四方面，本专利技术还提供一种基于人工智能算法的抗酸分支杆菌标识装置，包括：
[0025]获取模块，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
[0026]分切模块，分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成N*N的子图片，并对子图片进行编号，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；
[0027]标识模块，人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
[0028]拼合模块，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
[0029]第五方面，本专利技术还提供一种电子设备，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，所述处理器执行所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能算法的抗酸分支杆菌标识方法，其特征在于，包括如下步骤：获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到；所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。2.根据权利要求1所述的方法，其特征在于：所述深度学习目标检测算法为保留图片8倍缩放的yolov5算法。3.根据权利要求2所述的方法，其特征在于：所述抗酸分支杆菌标识神经网络模型的网络损失函数为其中，坐标损失函数的计算公式为：其中，N
loc
为特征图的元素个数，是GIoU loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是抗酸分支杆菌；分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此来区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间；N
a
为特征图高度，N
o
为特征图宽度。4.一种基于人工智能算法的抗酸分支杆菌标识方法，其特征在于，包括如下步骤：获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成N个子图片，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；拼合子图片，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。5.根据权利要求4所述的方法，其特征在于：所述深度学习目标检测算法为保留图片8
倍缩放的yolov5...
【专利技术属性】
技术研发人员：咸涛，磨国鑫，肖漓，赵小琼，张兴全，
申请(专利权)人：江苏诺鬲生物科技有限公司，
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。