一种全自动尿有形成分分析仪的校准方法

摘要

本发明涉及一种全自动尿有形成分分析仪的校准方法，属于图像处理技术领域。通过对校准图像进行处理，提取形状、纹理和频域特征，利用基于人工神经网络的智能识别方法对其形态进行自动分类，以监测全自动尿有形成分分析仪的工作状态，保证全自动尿有形成分分析仪测试结果的准确性和可靠性。

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种全自动尿有形成分分析仪的校准 方法。

背景技术

尿有形成分检查是医院常规检查项目之一，对临床泌尿系统疾病诊断、治疗监 测及健康普查具有重要意义。传统的利用人工显微镜检查的方法劳动强度大，效率 低。全自动尿有形成分分析仪利用自动化技术和智能识别技术，对尿液中的有形成 分自动进行分析识别，分类计数，极大的提高了医院检验科的工作效率，这就需要 正确的方法，确保全自动尿有形成分分析仪检验结果的准确性。

发明内容

本发明提供一种全自动尿有形成分分析仪的校准方法，通过对校准图像进行分 析，以监测全自动尿有形成分分析仪的工作状态，保证测试结果的准确性和可靠性。

本发明采用的流式显微系统由流动池、流体驱动机构、显微镜、光源、摄像头 和处理器组成。校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在 显微镜后面的摄像头拍摄图像，图像送到处理器的内存中存储，处理器对图像进行 分析。

校准液由包含校准微粒的悬浮液组成，校准微粒是经过处理的红细胞。

本发明采取的技术方案是：包括下列步骤：

(一)、对摄像头拍摄的一组图像进行分割，从拍摄的大图中分割出包含单个校 准微粒的小图像；具体是对拍摄的大图进行边缘提取，得到边缘图像；对边缘图像 进行阈值分割，分割方法采取灰度阈值法或区域生长法或基于数学形态学的方法， 具体采用固定阈值法实现边缘图像的分割，得到二值图像；对二值图像首先进行一 次形态学膨胀运算，然后再进行种子填充，定位校准微粒，得到校准微粒图像；

(二)、对分割出的校准微粒图像进行处理，步骤为：

(1)用灰度阈值法进行二值化：用Otsu方法确定阈值，将校准微粒图像二值化；

(2)填充空洞：用填充算法对目标的空洞进行填充；

(3)杂质去除：将小的杂质成分滤除掉，只留下面积最大的区域作为校准微粒 图像的二值化结果图像；

(三)、提取特征：

从二值图像获取以下与区域形状相关的特征：

(1)形状特征：

面积：即目标所占像素的个数；

周长：即目标边界包含的像素的个数；可以通过边界跟踪算法获得；

圆形度：目标区域的面积与周长平方的比值，反映目标与圆接近的程度；

矩形度：目标的面积与外接矩形面积之比；

占空比：目标的空洞与目标面积的比值；

不变矩：即Hu不变矩。它具有平移、旋转和比例不变的特点；

(2)纹理特征：

纹理特征直接从校准微粒图像的灰度图像提取，包括均值、方差、熵等特征；

(3)频域特征：

即基于Fourier变换的特征。

设f(x，y)为小微粒图像在(x，y)处的灰度值，则其Fourier变换为：

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}f(x,y)e^{-j2\pi (\mathrm{ux}/M+\mathrm{vy}/N)}$

Fourier变换的计算可通过快速算法实现；

由图像的Fourier变换可获得二个特征：

(1)pow＝∑∑|F(u，v)|，其中u，v在Fourier变换图像以中心为圆心的某个圆 的内部，反映图像在某个范围内的谱能量的多少；

(2)pow₁＝∑∑|F(u，v)|，其中求和是对于以原点为圆心的某个圆的外部进行。

(四)、全自动尿有形成分分析仪状态分析：通过对校准微粒的形态特征进行分 析，可以对全自动尿有形成分分析仪的不正常的状态进行判断，从而提示对系统进 行必要的调整。根据形态可以把校准微粒分成以下四类：正常微粒、位于焦点前光 晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起 来的微粒；

为了检测这些不正常现象，收集这些情况下的校准微粒图像，作为训练集。对 每个校准微粒图像提取前述的各种特征。利用人工神经网络对其进行分类。通过每 种类型的校准微粒所占比例，判断全自动尿有形成分分析仪的工作状态；

将选定的训练样本集输入BP神经网络，经过反复训练，不断调整神经网络的权 值，当神经网络的误差平方和达到预先设置的较小的值时，训练完成，停止训练， 得到训练好的神经网络；

五、尿有形成分分析仪的校准：分析仪拍摄校准微粒的图像，并对校准图像进行 分析处理，通过训练好的BP神经网络，将校准微粒分为四类：正常微粒、位于焦点 前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖 立起来的微粒；当正常微粒所占比例很高时，说明全自动尿有形成分分析仪处于正 常工作状态；如果光晕大的微粒或中间带黑点的微粒所占比例较高，说明分析仪焦 点不正确，需重新聚焦或检查并调整光学机构；如果竖立起来的微粒所占比例较高， 说明流动池的层流有问题，则需检查流动池或分析仪的液路部分，以排除故障，从 而保证分析仪测试结果的准确性和可靠性。

通过分析拍摄的校准微粒的形态特征，可以对全自动尿有形成分分析仪的这些 不正常的状态进行判断，从而提示对系统进行必要的调整，以保证全自动尿有形成 分分析仪的正常工作。

这里采用BP神经网络进行分类识别。BP神经网络是一种按误差逆向传播算法 训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习 和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方 程。它的学习规则是使用最速下降法，通过反向传播来不断调整神经网络的权值和 阈值，使神经网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含 层和输出层。

本发明通过动化技术和智能识别技术，对尿液中的有形成分自动进行分析识别， 分类计数，以监测全自动尿有形成分分析仪的工作状态，保证全自动尿有形成分分 析仪测试结果的准确性和可靠性。极大的提高了医院检验科的工作效率。

附图说明

图1是流式显微系统结构图：其中10表示处理器，20表示摄像头；30表示显 微镜，40表示流动池，50表示光源；

图2是神经网络结构图；

图3是用0填充的微粒图像的频域图像；

图4是用背景填充的微粒图像的频域图像。

具体实施方式

本发明采用的流式显微系统由流动池、流体驱动机构、显微镜、光源、摄像头 和处理器组成。校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在 显微镜后面的摄像头拍摄图像，图像送到处理器的内存中存储，处理器对图像进行 分析。

校准液由包含校准微粒的悬浮液组成，校准微粒是经过处理的红细胞。

校准液在流体驱动机构的驱动下以层流的形式流过流动池，安放在显微镜后面的 高速摄像机拍摄500幅包含校准微粒的图像，每幅图像的大小为800×600。其特征 在于通过对图像进行分析，对尿有形成分分析仪进行校准。包括以下步骤：

一、图像分割：对拍摄的每一幅图像都进行图像分割，从中分割出校准微粒图 像。首先对图像用Sobel算子进行卷积运算，得到边缘图像。取阈值T＝180对边缘 图像进行二值化，大于T的像素作为目标点，小于T的像素作为背景点，这样就得 到二值图像。对二值图像进行一次形态学膨胀运算，并对各个目标进行填充。用行 扫描方法定位各个目标的位置，在相应位置处分割出校准微粒图像，分割出的校准 微粒图像为灰度图像，大小统一取为32×32。

二、通过上一步的图像分割，得到校准微粒图像，其数量在900～1100之间。 对这些校准微粒图像进行处理，步骤为：

(1)用灰度阈值法进行二值化：用最大类间方差法，即Otsu方法确定阈值T， 由此得到二值图像。此二值图像除了包含校准微粒外，还可能包含一些小的目标， 这些小目标均作为杂质处理。

(2)填充空洞：用填充算法对目标的空洞进行填充；

(3)去除杂质：利用连通区域标记算法，去除所有的小目标，只留下面积最大 的连通区域作为校准微粒图像的二值化结果。

三、提取特征：

提取基于形状的特征、基于纹理的特征和频域特征。

(1)形状特征：

面积：area，即目标包含的像素数；

周长：Perimeter，目标的边界包含的像素数，可由边界追踪算法得到；

圆形度：周长的平方与面积之比值，反映目标接近圆的程度；

占空比：目标的空洞与目标面积的比值。目标空洞是目标中灰度值大于阈值T的像 素点的个数。

不变矩(基于二值图像)：

对于一幅M×N的图像f(x，y)，其p+q阶矩定义为：

${\mu }_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}{(x-\bar{x})}^p{(y-\bar{y})}^q)f(x,y),$

其中：

$\bar{x}=\frac{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{xf}(x,y)}{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}f(x,y)},$$\bar{y}=\frac{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{yf}(x,y)}{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}f(x,y)}$

令可以获得七个关于图像平移、旋转、缩放 不变的特征，称为Hu不变矩特征。这里只选取一个不变矩特征：φ₁＝η₂₀+η₀₂；

(2)纹理特征：

纹理特征直接从校准微粒的灰度图像提取。

均值：其中p_i为像素值为i的像素在图像中所占的比例。

方差：$\mathrm{var}=\underset{i=0}{\overset{255}{\Sigma }}{(i-\mathrm{mean})}^2{p}_i.$

熵：图像的熵反映了图像中平均信息量的多少。

(3)频域特征：即基于Fourier变换的特征。

设f(x，y)为小微粒图像在(x，y)处的灰度值，则其Fourier变换为：

$F(u,v)=\frac{1}{\mathrm{MN}}\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}f(x,y)e^{-j2\pi (\mathrm{ux}/M+\mathrm{vy}/N)}$

Fourier变换的计算可通过快速算法实现。

由图像的Fourier变换可获得二个特征：

(1)pow＝∑∑|F(u，v)|，其中u，v在Fourier变换图像以中心为圆心的某个圆 的内部，反映图像在某个范围内的谱能量的多少；

(2)pow₁＝∑∑|F(u，v)|，其中求和是对于以原点为圆心的某个圆的外部进行。

四、全自动尿有形成分分析仪状态分析：通过对校准微粒的形态特征进行分析， 可以对全自动尿有形成分分析仪的不正常的状态进行判断，从而提示对系统进行必 要的调整。根据形态可以把校准微粒分成以下四类：正常微粒、位于焦点前光晕大 的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚而竖立起来的 微粒。

为了检测分析器是否处于正常状态，收集各种情况下的校准微粒图像，作为训练 集，对BP人工神经网络进行训练。训练好神经网络后，利用神经网络对校准图像进 行分类。通过每种类型的校准微粒所占比例，判断全自动尿有形成分分析仪的工作 状态。当正常微粒的比例在85％以上时，认为分析仪处理正常状态；任一类不正常 微粒的比例超过15％，都意味着仪器异常，需根据异常微粒的类别，判断仪器的问 题所在，进而进行相应的处理，以保证仪器测试结果的准确性和可靠性。

五、尿有形成分分析仪的校准：分析仪拍摄校准微粒的图像，并对校准图像进行 分析处理，通过训练好的BP神经网络，将校准微粒分为四类：正常微粒、位于焦点 前光晕大的微粒、位于焦点后中间带黑点的微粒、层流不稳造成校准微粒翻滚竖立 起来的微粒。当正常微粒所占比例很高时，说明全自动尿有形成分分析仪处于正常 工作状态。如果光晕大的微粒或中间带黑点的微粒所占比例较高，说明分析仪焦点 不正确，需重新聚焦或检查并调整光学机构；如果竖立起来的微粒所占比例较高， 说明流动池的层流有问题，则需检查流动池或分析仪的液路部分，以排除故障，从 而保证分析仪测试结果的准确性和可靠性。