基于模式识别和深度学习的阴道微生物识别方法及装置与流程

[0001]
本发明涉及微生物检测相关技术领域，具体涉及一种基于模式识别和深度学习的阴道微生物识别方法及装置。


背景技术：

[0002]
感染性阴道炎是妇科常见疾病，当病原体侵入阴道，在一定的条件下使阴道黏膜产生炎症变化而形成阴道炎。其中不是由特异的病原体引起的阴道炎称非特异性阴道炎；主要有细菌性阴道病、外阴阴道假丝酵母菌病、滴虫性阴道炎、需氧菌性阴道炎、细胞溶解性阴道病。
[0003]
微生物检测传统方法有：培养法、镜检法、分子检测、质谱法。培养法耗时耗力，虽然是金标准，但检测周期太长；镜检法高度依赖微生物学专家的水平，无法普及；分子检测和质谱法灵敏度高、准确性好，但对操作人员、实验环境、实验设备要求高。目前，即使有一些通过计算机程序进行阴道微生物识别的方法，其识别的准确率较差。


技术实现要素：

[0004]
有鉴于此，提供一种基于模式识别和深度学习的阴道微生物识别方法及装置，以解决相关技术中的问题。
[0005]
本发明采用如下技术方案：
[0006]
第一方面，本申请提供一种基于模式识别和深度学习的阴道微生物识别方法，包括：
[0007]
获取阴道分泌物样本图片；
[0008]
将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果；
[0009]
剔除所述阴道分泌物样本图片中被所述第一识别结果识别出为微生物的部分；
[0010]
对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，得到所述阴道分泌物样本内微生物的第二识别结果；
[0011]
汇总所述第一识别结果和所述第二识别结果得到目标识别结果。
[0012]
可选的，所述对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，之前还包括：
[0013]
对所述阴道分泌物样本图片进行进一步处理，以保证单张图片亮度一致，纠正物镜镜头畸变暗角现象，进行对比度增强。
[0014]
可选的，所述阴道分泌物样本图片为摄像装置拍摄的，经由双色染色荧光剂进行染色之后的阴道分泌物样本的图片；
[0015]
其中所述双色染色荧光剂可以对微生物进行染色。
[0016]
可选的，所述深度学习识别模型的训练方法包括：
[0017]
获取训练样本和与所述训练样本对应的训练标识；
[0018]
将所述训练样本对应的训练标识，输入预先构建的深度学习模型进行训练，得到所述深度学习识别模型。
[0019]
可选的，所述训练标识包括：训练样本的微生物信息和所述样本对应的样本提供者的信息；
[0020]
所述样本提供者的信息包括：样本提供者的年龄以及生活环境。
[0021]
可选的，所述将所述阴道分泌物样本图片输入预设的深度学习识别模型，得到第一识别结果，具体包括：
[0022]
预处理所述阴道分泌物样本图片；
[0023]
将处理后的阴道分泌物样本图片和阴道分泌物样本提供者的信息输入预训练的深度学习识别模型，得到对所述阴道分泌物样本内微生物的第二识别结果。
[0024]
可选的，所述将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果，包括：对阴道分泌物样本图片采用多个位置、多尺度进行预处理；
[0025]
调用预训练的深度学习识别模型对处理过的阴道分泌物样本图片进行识别。
[0026]
第二方面，本申请提供一种基于模式识别和深度学习的阴道微生物识别装置，还包括：
[0027]
获取模块，用于获取阴道分泌物样本图片；
[0028]
深度学习识别模块，用于将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果；
[0029]
剔除模块，用于剔除所述阴道分泌物样本图片中被所述第一识别结果识别出为微生物的部分；
[0030]
模式识别模块，用于对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，得到所述阴道分泌物样本内微生物的第二识别结果；
[0031]
汇总模块，用于汇总所述第一识别结果和所述第二识别结果得到目标识别结果。
[0032]
第三方面，本申请提供一种基于模式识别和深度学习的阴道微生物识别设备，包括：
[0033]
处理器，以及与所述处理器相连接的存储器；
[0034]
所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请第一方面所述的基于模式识别和深度学习的阴道微生物识别方法；
[0035]
所述处理器用于调用并执行所述存储器中的所述计算机程序。
[0036]
第四方面，提供一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请第一方面所述的基于模式识别和深度学习的阴道微生物识别方法中各个步骤。
[0037]
本发明采用以上技术方案，首先获取阴道分泌物样本图片，将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果；剔除所述阴道分泌物样本图片中被所述第一识别结果识别出为微生物的部分；对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，得到所述阴道分泌物样本内微生物的第二识别结果；汇总所述第一识别结果和所述第二识别结果得到目标识别结果。如此设置，对分泌物样本图片进行了两次识别，且采用了两种不同的识别方式，累加两种不同识
别方式的识别结果使得最终的识别结果更加准确。同时在采用模式识别之前提出，通过深度学习识别模型识别到的部分，一定程度上避免了重复识别，使得模式识别的识别结果更加准确，也使得整个识别过程更加的快速。相较于现有技术中提及的，各个识别方式，本申请提供的方案具有识别准确率高，对设备要求低，检测周期短的优点。
附图说明
[0038]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别方法的流程图；
[0040]
图2是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别方法的具体流程图；
[0041]
图3是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别装置的结构示意图；
[0042]
图4是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别设备的结构示意图。
具体实施方式
[0043]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0044]
首先对本发明实施例的应用场景进行说明，感染性阴道炎是妇科常见疾病，当病原体侵入阴道，在一定的条件下使阴道黏膜产生炎症变化而形成阴道炎。其中不是由特异的病原体引起的阴道炎称非特异性阴道炎；主要有细菌性阴道病、外阴阴道假丝酵母菌病、滴虫性阴道炎、需氧菌性阴道炎、细胞溶解性阴道病。微生物检测传统方法有：培养法、镜检法、分子检测、质谱法。培养法耗时耗力，虽然是金标准，但检测周期太长；镜检法高度依赖微生物学专家的水平，无法普及；分子检测和质谱法灵敏度高、准确性好，但对操作人员、实验环境、实验设备要求高。本申请提供的方案中，采用智能数字显微扫描系统结合美克医学自主研发的染色机和双重荧光染色试剂盒，对于各种类型组织、细胞、细菌等进行自动扫描、识别并统计出具体的数量，给出病理判定依据。通过模式识别和深度学习算法对17种标志物进行分类标识，主要有：上皮细胞、白细胞、线索细胞、上皮+乳杆菌、上皮+球菌、孢子、芽生孢子、菌丝、乳杆菌、球菌、小杆菌、滴虫、链球菌、淋球菌、纤毛菌、细胞核、精子，达到对于阴道内微生物识别的效果。
[0045]
实施例
[0046]
图1为本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别方法的流程图，该方法可以由本发明实施例提供的基于模式识别和深度学习的阴道微生物识设
备来执行。参考图1，该方法具体可以包括如下步骤：
[0047]
s101，获取阴道分泌物样本图片；
[0048]
s102，将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果；
[0049]
具体的，步骤s102包括：对阴道分泌物样本图片采用多个位置、多尺度进行预处理；
[0050]
调用预训练的深度学习识别模型对处理过的阴道分泌物样本图片进行识别。
[0051]
s103，剔除所述阴道分泌物样本图片中被所述第一识别结果识别出为微生物的部分；
[0052]
进一步的，在步骤s103之后，步骤s104之前，还可以对所述阴道分泌物样本图片进行进一步处理，以保证单张图片亮度一致，纠正物镜镜头畸变暗角现象，进行对比度增强。
[0053]
s104，对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，得到所述阴道分泌物样本内微生物的第二识别结果；
[0054]
s105，汇总所述第一识别结果和所述第二识别结果得到目标识别结果。
[0055]
需要说明的是，基于实验发现，通过深度学习识别模型进行识别对于一些个体较小的微生物的识别效果并不理想，对于一些个体较大的微生物的识别效果比较理想。而模式识别恰恰相反，对于一些个体较小的微生物的识别效果理想，对于一些个体较大的微生物的识别效果并不理想。本申请提供的方案中，对分泌物样本图片进行了两次识别，且采用了两种不同的识别方式，累加两种不同识别方式的识别结果使得最终的识别结果更加准确。同时在采用模式识别之前提出，通过深度学习识别模型识别到的部分，一定程度上避免了重复识别，使得模式识别的识别结果更加准确，也使得整个识别过程更加的快速。相较于现有技术中提及的，各个识别方式，本申请提供的方案具有识别准确率高，对设备要求低，检测周期短的优点。
[0056]
进一步的，本申请提供的方案中，在对阴道分泌物样本进行拍摄之前，首先对其进行了染色。即：采用双色染色荧光剂进行染色之后的阴道分泌物样本进行染色，需说明的是：一般情况下阴道分泌物样本图片是直接采用白片进行图样的拍摄。这样拍摄出来的图片没有荧光染色，识别效果不好。
[0057]
需要说明的是：深度学习识别模型的训练方法包括：
[0058]
获取训练样本和与所述训练样本对应的训练标识；
[0059]
将所述训练样本对应的训练标识，输入预先构建的深度学习模型进行训练，得到所述深度学习识别模型。
[0060]
所述训练标识包括：训练样本的微生物信息和所述样本对应的样本提供者的信息；
[0061]
所述样本提供者的信息包括：样本提供者的年龄以及生活环境。
[0062]
相对应的所述将所述阴道分泌物样本图片输入预设的深度学习识别模型，得到第一识别结果，具体包括：
[0063]
预处理所述阴道分泌物样本图片；
[0064]
将处理后的阴道分泌物样本图片和阴道分泌物样本提供者的信息输入预训练的深度学习识别模型，得到对所述阴道分泌物样本内微生物的第二识别结果。
[0065]
需要说明的是，人的生存环境年龄等对体内微生物群落的心态是有影响的。不同年龄，不同环境下的人体阴道内微生物群落的姿态不同。为了更好的提高深度学习识别模型识别的准确率，本申请提供的方案中将样本提供者的生存环境和年龄当做标签的一部分。如此针对不同生活环境不同年龄下的人提供的阴道分泌物样本，深度学习识别模型，采用不同的识别策略进行识别会得到更加准确的识别结果。
[0066]
图2是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别方法的具体流程图；下面参照图2对本申请提供的方案进行进一步的说明：
[0067]
s201，获取阴道分泌物样本图片；
[0068]
s202，对所述阴道分泌物样本图片进行染色；
[0069]
s203，通过显微镜扫描仪获取图像；
[0070]
具体的，步骤s201、s202和s201的具体使用的设备和执行过程如下：
[0071]
一、镜检设备
[0072]
1.普通光学显微镜bx43(自动智能数字显微扫描系统集成显微镜)、2.带b波段荧光模块、3.摄像转接头(转接筒1.0，40倍物镜)、4.摄像头(basler230万像素相机)、5.摄像头驱动及图文安装软件、6.电脑(安装有自动聚焦拍图的软件)
[0073]
二、实验设备
[0074]
1.阴道分泌物样本(加入1ml生理盐水浸泡)、2.小型染色机、3.染色试剂a液、b液、清洗液、4.世泰粘附性载玻片、5.盖玻片、6.加热台(60℃左右，加热台1.5-2档位)、7.实验用吸水纸
[0075]
三、试验步骤
[0076]
1.混匀样本后，将阴道分泌物样本中的拭子在靠近载玻片后端(1/3处)涂抹一圈；
[0077]
2.放置于加热台上，60℃加热烘干玻片；
[0078]
3.检查染色机各试剂瓶、清洗液装量充足；
[0079]
4.开机仪器自检，自检结束后插入样本玻片；
[0080]
5.听到结束提示音后拿出玻片；
[0081]
6.盖上盖玻片压片，放入智能数字显微扫描系统，自动聚焦拍图(拍摄的图片便是所述阴道分泌物样本图片)。
[0082]
s204，通过深度学习识别模型进行识别，得到第一识别结果；
[0083]
具体的，步骤s204包括：
[0084]
图片预处理：在步骤l22中，对图片采用多个位置、多尺度进行预处理，每种尺度预测3个box,anchor的设计方式仍然使用聚类(基于rgb颜色的k-means算法),得到9个聚类中心,将其按照大小均分给3个尺度(8x8，16x16，32x32)；尺度1大小8x8，在基础网络之后添加一些卷积层再输出box信息(4个值，中心坐标tx和ty，框的高度bh和宽度bw)；尺度2大小16x16，从尺度1中的倒数第二层的卷积层上采样再与最后一个16x16大小的特征图相加,再次通过多个卷积后输出box信息，相比尺度1变大两倍；尺度3，与尺度2类似，使用了32x32大小的特征图。
[0085]
初始化金字塔结构(初始化权重.weights，.cfg文件，.names文件)，.weights文件中保存着模型的置信度信息、尺度、纹理、面积、周长等信息，.cfg文件中保存着卷积网络的初始化信息，.names文件中保存着17中标识物的名称(epithelial、white、clue、
epithelial&lactobacillus、epithelial&coccus、spore、blastospore、hypha、lactobacillus、coccus、bacillus、trichomonad、streptococcus、gonococcus、leptotrichia、nucleus、sperm、candida_krusei)，调用训练好的模型和模型参数名称；
[0086]
接收56张图片，对56张图片进行识别，输出每张图片对应的.xml文件，文件中保存着图片的名称、图片的路径、识别的标识物的名称和在图片中的框图坐标；对56张图片进行预测，输出每张图片对应的.xml文件，文件中保存着图片的名称、图片的路径、识别的标识物的名称和在图片中的框图坐标；
[0087]
s205，基于深度学习识别模型的识别结果，处理阴道分泌物样本图片；
[0088]
具体的，接收深度学习识别后的56张图片；对深度学习识别过的标识物轮廓区域，填充黑色；然后采用模式识别算法进行判别剩余标识物；
[0089]
s206，对处理后的图片进行模式识别,得到第二识别结果。
[0090]
步骤s206主要包括：对图片采用高通滤波、gama滤波进行预处理，保证单张图片亮度一致、标识物轮廓边缘清晰，纠正物镜镜头畸变、暗角现象，保证56张图片亮度一致；同时对图片中标识物进行对比度增强；利用k聚类算法，对标识物进行分割；提取标识物rgb sift特征、颜色、面积、周长、近圆度、纹理、宽纵比等特征；基于纹理等特征的svm分类；得到识别结果。
[0091]
s207，汇总所述第一识别结果和所述第二识别结果得到目标识别结果，并输出。
[0092]
具体的，综合第一识别结果和第二识别结果，对56张图片中的标识物进行框选，并显示出标识物名称。当然也可以对第一识别结果和第二识别结果进行汇总通过表格等形式展示目标识别结果。
[0093]
图3是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别装置的结构示意图；参照图3，本申请提供一种基于模式识别和深度学习的阴道微生物识别装置，还包括：
[0094]
获取模块31，用于获取阴道分泌物样本图片；
[0095]
深度学习识别模块32，用于将所述阴道分泌物样本图片输入预训练的深度学习识别模型，得到所述阴道分泌物样本内微生物的第一识别结果；
[0096]
剔除模块33，用于剔除所述阴道分泌物样本图片中被所述第一识别结果识别出为微生物的部分；
[0097]
模式识别模块34，用于对进行了剔除操作后的所述阴道分泌物样本图片进行模式识别，得到所述阴道分泌物样本内微生物的第二识别结果；
[0098]
汇总模块35，用于汇总所述第一识别结果和所述第二识别结果得到目标识别结果。
[0099]
图4是本发明实施例提供的一种基于模式识别和深度学习的阴道微生物识别设备的结构示意图；参照图4，本申请提供一种基于模式识别和深度学习的阴道微生物识别设备，包括：
[0100]
处理器41，以及与所述处理器41相连接的存储器42；
[0101]
所述存储器42用于存储计算机程序，所述计算机程序至少用于执行如本申请任一实施例所述的基于模式识别和深度学习的阴道微生物识别方法；
[0102]
所述处理器用于调用并执行所述存储器中的所述计算机程序。
[0103]
本申请还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请任一实施例所述的基于模式识别和深度学习的阴道微生物识别方法中各个步骤。
[0104]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0105]
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
[0106]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0107]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0108]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0109]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0110]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0111]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0112]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。