[发明专利]基于形态学与YOLO算法的女性生殖道病原体识别方法

说明书

本发明涉及一种基于形态学与YOLO算法的女性生殖道病原体识别方法，该方法针对国内显微镜下致病菌种识别以及细胞活性检验等问题，提出以darknet‑53网络模型与YOLO算法取出疑似目标，再配以传统形态学算法进行筛选从而达到准确、快速、智能化的诊断方式。YOLO算法的检测速度比传统算法提高了上百倍，可满足医学诊断的高效需求，再加入形态学算法对目标做形状拟合，对色值、轮廓、大小等维度做判断，从而进一步提升检测准确率与检出率。

技术领域

本发明涉及显微镜图像自动识别领域，特别涉及一种基于形态学与YOLO算法的女性生殖道病原体识别方法。

背景技术

微生态下的菌种检测是人体医疗学科的分支，研究发现人体内分泌物中存在超过200种微生物，其中不乏致病菌，或出现某种菌类数量失衡从而致病情况。对于医学检测，包括菌群密集度、多样性、优势菌、集体炎性反应、病原微生物、以及各种致病菌类辨别，需要更高的效率和更高的准确率。

对于微生态平衡问题，因其诊断方式目前为发现孢子菌丝等致病菌即可判断患者微生态失衡，少数致病菌根据单位区域内数量来判断微生态失衡。虽然菌类误检，漏检都可能导致诊断结果错误，但因患病者微生态下致病菌分布通常较为密集，因此，其准确率是第一要求。目前国内普遍采用医务人员肉眼进行显微镜下观察分析的方式诊断患者是否患病，此种方式效率低下，且时间长久后易因视觉疲劳，出现误诊，漏诊等现象。

发明内容

本发明的目的在于提供一种基于形态学与YOLO算法的女性生殖道病原体识别方法,用以解决目前国内检验人员采用肉眼观察显微镜所带来的效率低下问题，以及因视觉疲劳，所带来的误诊、漏诊问题。

实现本发明目的的具体技术方案是：

一种基于形态学与YOLO算法的女性生殖道病原体识别方法，该方法包括以下具体步骤：

步骤1：选取部分待测图像（如50000张），在待测图像中将识别目标做好标注；

步骤2：将步骤1标注好的图像组成训练集，放入网络训练得到模型；

步骤3：基于Darknet框架下YOLO模型的初筛。将要识别的图像放入测试程序，调用步骤2训练好的模型进行测试，得到模型初筛结果，并在原图中标出；

步骤4：基于图像形态学处理。对该疑似区域进行形态学的判断，最终通过取交集的方法得到较为准确的识别结果。

上述的步骤3具体如下：经过模型训练后，将待测图像导入进模型网络，此时，将每个网格预测的种类信息和预选框区域预测的置信度信息相乘，就得到每个预选框区域的class-specific confidence score（特定类型置信度）:

；

等式左边第一项是每个网格预测的类别信息，第二、三项是每个预选框预测的confidence（置信度），这个乘积即代表了预测的区域属于某一类的概率，也有该区域准确度的信息，得到每个区域的特定类型置信度以后，设置阈值，滤掉得分低的区域，对保留的区域进行 NMS（Non-Maximum Suppression，非极大值抑制）处理，得到YOLO的检测结果。

上述的步骤4具体如下：在得到清晰的YOLO算法筛选过的疑似区域之后，先对图像进行边缘增强及锐化，再根据孢子的色值做灰度化以及二值化分割，将孢子与浅色背景分割开来，再通过Canny算子对其进行轮廓提取，在得到清晰轮廓后，则在轮廓上随机取点进行椭圆拟合，若拟合椭圆区域与二值化后孢子所在拟合椭圆的区域重叠部分超过一定值（如95%）时，则可以大致判断此区域内的形状大致为椭圆，即该物体符合孢子的形状特点可将其判定为孢子。