[发明专利]一种针对妇科临床微生物感染的免疫荧光图像检测方法

说明书

本发明公开了一种针对妇科临床微生物感染的免疫荧光图像检测方法，该方法通过采集真实镜下拍摄的病理样本图像建立数据集，并对数据进行针对性、高质量的扩充，以此为基础训练YOLO‑v5深度模型，用于与硬件设备协同进行临床检测，能够给出高质量AI智能检测分析结果。主要包括以下步骤：1)对采集得到的临床样本免疫荧光图像进行标注，制作用于模型训练和测试的数据集；2)进行预处理和数据增广，扩充数据集容量，覆盖实际应用中的各种场景；3)利用自建数据集对ImageNet预训练后的网络进行迁移训练；4)在验证集和测试集上对模型进行评估，指导模型进一步优化；5)对检测结果进行综合分析，判断病情阴阳性和严重程度，给出AI智能检测分析结果。

技术领域

本发明属于医学图像处理中的病变检测技术领域，具体涉及一种针对妇科临床微生物感染的免疫荧光图像检测方法。

背景技术

由于妇科疾病发病率高，病情对生活质量影响大，进一步感染病变的风险高，女性健康受到严重损害。考虑到妇科病情普遍存在混合感染，临床中迫切需要准确区分病原微生物种类，而免疫荧光染色法简便快捷，具有高灵敏度和高特异性，能够得到清晰的标本图像，从而对病原微生物进行精确检测。但是当前的临床检测仍以人工判读为主，既耗费人力，效率低下，又会因人的主观判断而对临床评估造成一定影响。

为了更好地辅助妇科临床实践，准确识别病原微生物，AI智能医疗辅助信息分析成为热点需求。通过训练AI算法对病原样本免疫荧光图像进行智能检测能够克服人工判读效率低主观偏差大的缺陷，从而可以在临床实践中实现大量样本快速准确的检测。近年来医学图像处理领域常见的AI算法主要有基于目标检测和基于语义分割两种。基于目标检测的方法受制于矩形框的输出形式，对医学图像中的细粒度小目标和严重堆叠的病灶区域难以取得高精度的理想效果；基于语义分割的方法则具有数据标注难度大、运行速度慢、不适用于精确计数任务的缺陷。并且这些算法都是独立且通用的，没有与医疗检测设备紧密结合，不够简便实用。

针对临床需要和现有算法的问题，市场急需一种准确高效且能够与设备一体化对接的针对妇科临床微生物感染的免疫荧光图像检测方法。

发明内容

考虑到妇科临床微生物感染免疫荧光图像检测对于快速性、准确性、精细性的需求，针对数据样本不足，现有检测算法速度较慢、与实际医疗设备脱节的问题，本发明提供了一种针对妇科临床微生物感染的免疫荧光图像检测方法。

本发明采用如下技术方案来实现：

一种针对妇科临床微生物感染的免疫荧光图像检测方法，包括以下步骤：

1)采集临床样本的免疫荧光图像，标注检测目标，制作用于网络训练和测试的妇科临床微生物数据集；

2)对数据集进行预处理，扩充样本数量，特别是针对数目较少的类别进行数据增广；

3)利用预处理后的数据集对经过ImageNet预训练的YOLO-v5网络进行迁移训练；

4)将上述训练得到的YOLO-v5网络模型应用于验证集和测试集进行评估；

5)综合分析YOLO-v5模型的检测结果，对目标细胞进行计数并依照临床标准进行判别，得到检验信息供临床工作参考使用。

本发明进一步的改进在于，步骤1)的具体实现方法如下：妇科临床微生物检测项目分为A孔和B孔，对其中的目标进行归纳和定义：A孔检测目标为孢子和菌丝，在标注过程中区分孢子的不同阶段形态，将目标类别细分为孢子、芽生孢子和菌丝；B孔检测目标为上皮细胞、线索细胞、白细胞和滴虫，在标注过程中针对镜下图像的密集性和检测目标的不同形态，将目标类别细分为上皮细胞、有核线索细胞、无核线索细胞、聚集线索细胞、白细胞、白细胞和线索细胞堆叠、可见鞭毛滴虫和不可见鞭毛滴虫。