System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及细胞检测领域,具体涉及一种滴虫的检测方法、装置及存储介质。
技术介绍
1、滴虫是一种极微小有鞭毛的原虫生物,其主要侵犯人体的泌尿生殖系统,会引发人体产生滴虫性阴道炎。在对阴道分泌物检查的过程中,有效识别滴虫对于临床具有重大的意义。
2、专利技术人发现,目前妇科体外诊断的手段依旧是传统的人工判读方式,工序繁琐且长时间依靠显微镜工作会给医生造成过大的身体负担,存在误判、漏判风险。随着女性健康管理的意识不断提高,目前滴虫样本较少,且样本中的滴虫的数量往往不多,不利于对滴虫的有效观察,进一步加大了存在误判、漏判的风险。
技术实现思路
1、有鉴于此,本申请提供了一种滴虫的检测方法、装置及存储介质,以解决现有技术中人工判读滴虫效率较低的技术问题。
2、第一方面,本申请提供了一种滴虫的检测方法,所述方法包括:
3、获取待检测图像;
4、通过训练完成的神经网络模型识别所述待检测图像中的滴虫对象,生成所述待检测图像中的滴虫严重等级、滴虫坐标;
5、其中,所述训练完成的神经网络模型中包括分类模型和定位模型,所述分类模型用于提取所述待检测图像中的多尺度特征,所述多尺度特征用于预测滴虫严重等级,所述定位模型用于提取所述待检测图像中的深层次特征,所述深层次特征用于结合预测得到的严重等级标签预测所述待检测图像中的滴虫坐标。
6、在一个实施方式中,所述分类模型在提取所述待检测图像的多尺度特征时,下采样次数被增加,所述分类模型中神经
7、在一个实施方式中,所述分类模型中包括四个瓶颈层,每个所述瓶颈层由三个卷积块组成。
8、在一个实施方式中,所述分类模型中包括平均池化层,以对提取到的多尺度特征进行平滑处理;
9、所述分类模型在每个卷积层之后添加批量归一化运算和修正线性运算。
10、在一个实施方式中,所述定位模型在提取所述待检测图像中的深层次特征时,下采样次数被减少,所述定位模型中神经网络的通道输量被增加;
11、所述定位模型中包括spp层,置于所述定位模型的中间层。
12、在一个实施方式中,所述定位模型中包括残差网络,原始的残差网络中至少包括三个卷积层和多个串联的瓶颈层;
13、其中,所述原始的残差网络中的多个串联的瓶颈层会被简化为瓶颈层;
14、所述卷积层为2d卷积层;
15、所述定位模型在每个卷积层之后添加批量归一化运算和修正线性运算。在一个实施方式中,所述定位模型中包括两个全连接层,并采用kullback-leibler散度损失函数优化所述全连接层的输出结果。
16、第二方面,本申请提供了一种滴虫的检测装置,所述装置包括:
17、图像获取单元,用于获取待检测图像;
18、检测单元,用于通过训练完成的神经网络模型识别所述待检测图像中的滴虫对象,生成所述待检测图像中的滴虫严重等级、滴虫坐标;
19、其中,所述训练完成的神经网络模型中包括分类模型和定位模型,所述分类模型用于提取所述待检测图像中的多尺度特征,所述多尺度特征用于预测滴虫严重等级,所述定位模型用于提取所述待检测图像中的深层次特征,所述深层次特征用于结合预测得到的严重等级标签预测所述待检测图像中的滴虫坐标。
20、第三方面,本申请提供了一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而实现第一方面所述的滴虫的检测方法。
21、第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时,从而实现第一方面所述的滴虫的检测方法。
22、本申请提供的滴虫的检测方法、装置及存储介质,至少具有如下有益效果:
23、本申请提供的技术方案,为了有效地对待检测图像中的滴虫对象进行识别,可以采用多个模型的组合对待检测图像中滴虫对象进行特征提取。可以先通过分类模型提取所述待检测图像中的多尺度特征,利用提取到的多尺度特征进行滴虫严重等级的预测识别。在预测识别到滴虫严重等级后,以次作为标签,再通过定位模型提取待检测图像中的深层次特征,从而可以将滴虫严重等级标签与深层次特征进行融合,得到融合特征,并利用增强的融合特征进行滴虫的定位识别。这样,使用组合模型,能同时预测待检测图像中的滴虫严重等级和滴虫坐标,基于融合特征预测得到的滴虫坐标精度更高。
24、可见,通过上述的方式,能够同时检测出滴虫严重等级和滴虫坐标,提高了滴虫检出效率。
本文档来自技高网...【技术保护点】
1.一种滴虫的检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的滴虫的检测方法,其特征在于,所述分类模型在提取所述待检测图像的多尺度特征时,下采样次数被增加,所述分类模型中神经网络的通道数量被增加,并且通过分类模型中最大值池化层去除冗余信息。
3.根据权利要求2所述的滴虫的检测方法,其特征在于,所述分类模型中包括四个瓶颈层,每个所述瓶颈层由三个卷积块组成。
4.根据权利要求3所述的滴虫的检测方法,其特征在于,所述分类模型中包括平均池化层,以对提取到的多尺度特征进行平滑处理;
5.根据权利要求4所述的滴虫的检测方法,其特征在于,所述定位模型在提取所述待检测图像中的深层次特征时,下采样次数被减少,所述定位模型中神经网络的通道输量被增加;
6.根据权利要求5所述的滴虫的检测方法,其特征在于,所述定位模型中包括残差网络,原始的残差网络中至少包括三个卷积层和多个串联的瓶颈层;
7.根据权利要求6所述的滴虫的检测方法,其特征在于,所述定位模型中包括两个全连接层,并采用Kullback-Leibler散度损失函
8.一种滴虫的检测装置,其特征在于,所述装置包括:
9.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而实现如权利要求1-7中任一项所述的滴虫的检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述的滴虫的检测方法。
...【技术特征摘要】
1.一种滴虫的检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的滴虫的检测方法,其特征在于,所述分类模型在提取所述待检测图像的多尺度特征时,下采样次数被增加,所述分类模型中神经网络的通道数量被增加,并且通过分类模型中最大值池化层去除冗余信息。
3.根据权利要求2所述的滴虫的检测方法,其特征在于,所述分类模型中包括四个瓶颈层,每个所述瓶颈层由三个卷积块组成。
4.根据权利要求3所述的滴虫的检测方法,其特征在于,所述分类模型中包括平均池化层,以对提取到的多尺度特征进行平滑处理;
5.根据权利要求4所述的滴虫的检测方法,其特征在于,所述定位模型在提取所述待检测图像中的深层次特征时,下采样次数被减少,所述定位模型中神经网络的通道输量被增加;
6.根据权利要求5所述的滴虫的...
【专利技术属性】
技术研发人员:马天一,张路,杨丽,贾项龙,
申请(专利权)人:江苏美克医学技术有限公司,
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。