一种过敏原检测结果扫描分析方法

摘要

本发明涉及一种过敏原检测结果扫描分析方法，其包括如下步骤：S11、前期图像分割模型的训练；S22、通过嵌合机器人手臂装置，移动到过敏原点刺皮试区域，进行拍照、扫描和抓取过敏原点刺皮试图像，再发送到云端；S33、云端服务器接收过敏原点刺皮试图像，输入到模型中进行图像分割，分割过敏原点刺皮试区域；S44、云端服务器根据分割的二值掩码自动计算面积、最后根据面积大小自动分析给出过敏程度结果判定。该过敏原检测结果扫描分析方法，使得过敏原点刺皮试结果直观化、方便快捷、人工智能化、从拍照、扫描、计算分析、到出结果只需要3分钟，且可回溯。

说明书

技术领域

本发明涉及生物医药设施的技术领域，尤其是一种过敏原检测结果扫描分析方法。

背景技术

随着社会的不断进步，生物医药行业得到了快速的发展。在生物医药行业中，通常会进行临床检验过敏原；实际操作过程中都是通过人工操作，包括消毒、点刺、滴液、观察和结果判定等；这样不但费时费力，而且判断起来存在很大的误差；因为结果判定过程中都是通过游标卡尺来测定过敏反应的皮肤直径来判断过敏度；有的结果呈现出来的是不规则的红肿现象，只能随意选取一个直径作为结果判断依据，这样会带来很大的误判可能性。

发明内容

本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供的是一种过敏原检测结果扫描分析方法，建立数据后台，通过嵌合机器人手臂装置，移动到过敏原检测区域，进行拍照、扫描、抓取图形、自动计算面积、及通过计算机视觉算法自动分析，并给出过敏程度结果判定，解决了人工判定结果费时费力，以及判定报告中比较抽象、干预前后无法形象比对分析的问题。

本发明解决其技术问题所采用的技术方案是：一种过敏原检测结果扫描分析方法，包括如下步骤：S11、前期图像分割模型的训练；S22、通过嵌合机器人手臂装置，移动到过敏原点刺皮试区域，进行拍照、扫描和抓取过敏原点刺皮试图像，再发送到云端；S33、云端服务器接收过敏原点刺皮试图像，输入到算法模型中进行图像处理，分割过敏原点刺皮试区域；S44、云端服务器根据分割的二值掩码自动计算面积、最后根据面积大小自动判定过敏程度结果。

进一步地限定，上述技术方案中，所述的S11中前期图像分割模型的训练包括如下步骤：S1、对过往采集的过敏原点刺皮试图像进行标注，获取用于构建并训练深度神经网络的数据集；S2、对数据集进行划分；将构建网络的数据集划分为训练集和测试集；所述的训练集与测试集的比例为9：1，数据集的划分涵盖所有数据分布；S3、使用经过预训练的Vision Transformer骨干对过敏原点刺皮试图像进行特征提取；S4、基于提取的特征，利用MASK-RCNN范式进行图像分割，该范式经过COCO公开数据集的预训练；S5、训练基于VisionTransformer特征提取的MASK-RCNN范式模型，并采用批量训练方法进行学习，网络训练过程主要的参数设置为：基于AdamW优化器，基础学习率0 .0001，动量因子参数为0 .9，正则化衰减系数为0 .999；采用损失函数的表达式为：

其中，

进一步地限定，上述技术方案中，所述的S3中Vision Transformer骨干对过敏原点刺皮试图像进行特征提取的过程包括：首先输入1024×1024×3分辨率的图像，经过线性投影，映射成为64×64×768维度的特征图，与一个相同维度记录位置信息的矩阵相加完成位置编码的补充；然后，经过串联的四层相同结构的特征提取块构建最终的特征，每层中会堆叠窗口自注意力机制块和全局自注意力机制块，每种自注意力机制块由自注意力机制的运算和前馈层组成；自注意力机制的运算过程为：特征图分别经过三个全连接层得到三个向量查询向量

其中

进一步地限定，上述技术方案中，所述的S4中过敏原点刺皮试图像分割的流程为：分别提取Vision Transformer骨干四层特征提取块输出的特征做适配；利用卷积与反卷积的方式，将原本输入图像缩小16倍的特征图，分别变换为特征图大小的4倍、8倍、16倍和32倍，即256×256、128×128、64×64和32×32；得到4个不同尺度的特征后，对每个尺度特征再经过卷积转换到同一特征维度，输入到MASK-RCNN范式中。

进一步地限定，上述技术方案中，所述的MASK-RCNN范式的流程为首先是通过RPN网络基于过敏原点刺皮试图像的特征图提出区域提案，即为可能包含一个目标的区域RoI；然后通过全连接层对RoI的边界box进行回归，RoI框选的目标进行分类，以及通过一个全卷积网络，对每个RoI预测了对应的二值掩膜，以说明给定像素是否是过敏区域的一部分，二值掩膜就是当像素属于目标的所有位置上时标识为1，其它位置标识为0。

进一步地限定，上述技术方案中，所述的S3特征提取前对输入过敏原点刺皮试图像进行数据预处理与数据增强。

进一步地限定，上述技术方案中，所述的数据预处理与数据增强方式为将过敏原点刺皮试图像重新调整到符合模型输入的大小，即大小为1024×1024分辨率。

进一步地限定，上述技术方案中，所述的数据预处理与数据增强方式为在训练的过程中采用大尺度抖动方法对过敏原点刺皮试图像进行处理，即在设定的范围内对图像进行横向和纵向的随机缩放，抖动范围为[0.1, 2.0]。

进一步地限定，上述技术方案中，所述的过敏原点刺皮试图像进行数据预处理与数据增强后被输入到经过预训练的Vision Transformer骨干进行基于窗口自注意力和全局自注意力机制的特征提取。

进一步地限定，上述技术方案中，所述的S1中数据集的标注采用Labelme工具，标注的结果以Json的格式保存。

本发明的有益效果是：本发明提出的一种过敏原检测结果扫描分析方法，建立数据后台，通过嵌合机器人手臂装置，移动到过敏原检测区域，进行拍照、扫描、抓取图形、自动计算面积、及通过计算机视觉算法给出过敏程度结果判定，解决了人工判定结果时费时费力及报告中比较抽象、干预前后无法形象对比分析的问题。

附图说明

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申请中记载的一些实施例，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。

图1是本发明的流程示意图。

附图中的标号为：1、Vision Transformer骨干，2、特征提取块一，3、特征提取块二，4、特征提取块三，5、特征提取块四，

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本申请中的特征提取块分为特征提取块一2、特征提取块二3、特征提取块三4和特征提取块四5。训练集的作用是用于模型的训练，给予模型图像数据以及对应的标签，让模型学习其对应关系。测试集的作用是在训练集数据完整训练一次深度学习网络后，测试模型对数据的拟合程度。

在本申请中，采用Vision Transformer骨干的优点是其全局自注意力机制可以对像素与像素间的关系进行建模，其运行速度快效率高。为了更加适合图像分割任务大分辨率图像输入的特点，本方法引入窗口自注意力机制，将自注意力机制限制在预先划分等大的窗口中，在减少计算量同时提升模型性能。

见图1所示的是一种过敏原检测结果扫描分析方法，包括如下步骤：S11、分割模型的训练；S22、通过嵌合机器人手臂装置，移动到过敏原点刺皮试区域，进行拍照、扫描和抓取过敏原点刺皮试图像，再发送到云端；S33、云端服务器接收过敏原点刺皮试图像，输入到模型中进行图像分割，分割过敏原点刺皮试区域；S44、云端服务器根据分割的二值掩码自动计算面积、最后根据面积大小自动分析给出过敏程度结果判定。

其中，S11中前期图像分割模型的训练包括如下步骤：S1、对过往采集的过敏原点刺皮试图像进行标注，获取用于构建并训练深度神经网络的数据集；S2、对数据集进行划分；将构建网络的数据集划分为训练集和测试集；所述的训练集与测试集的比例为9：1，数据集的划分涵盖所有数据分布；S3、使用经过预训练的Vision Transformer骨干对过敏原点刺皮试图像进行特征提取；S4、基于提取的特征，利用MASK-RCNN范式进行图像分割，该范式经过COCO公开数据集的预训练；S5、训练基于Vision Transformer特征提取的MASK-RCNN范式模型，并采用批量训练方法进行学习，网络训练过程主要的参数设置为：基于AdamW优化器，基础学习率0 .0001，动量因子参数为0 .9，正则化衰减系数为0 .999；采用损失函数的表达式为：

其中，

其中

本申请相对于传统操作具备如下优点：可以使得过敏原点刺皮试结果直观化、方便快捷、人工智能化，从拍照、扫描、计算分析，到出结果只需要3分钟，且可回溯。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。