[发明专利]一种畸形尿红细胞分类统计方法与系统

说明书

本发明属于人工智能辅助医疗检查技术领域，公开了一种畸形尿红细胞分类统计方法和系统，该方法包括以下步骤：S1、采集样本的显微镜变焦视频；S2、在显微镜变焦视频所有帧中清晰度最高的帧上识别出畸形尿红细胞，并分割出多个畸形尿红细胞变焦视频；S3、利用深度多示例学习算法预测出各个畸形尿红细胞变焦视频中每一帧在不同分类下的概率，S4、通过靶形关键帧优先原则实现畸形尿红细胞的分类与数量统计。本发明能够准确的对样本中的畸形尿红细胞进行检测和分类统计，其统计方法准确可靠，可以应用于尿液样本检测领域。

技术领域

本发明属于人工智能辅助医疗检查技术领域，具体涉及一种利用肾病患者的尿液样本在显微镜下的变焦视频作为分析数据，并结合深度多示例学习算法对尿液样本中的畸形尿红细胞进行分类识别与数量统计的方法。

背景技术

肾病患者往往伴随着尿潜血与血尿等现象，显微镜下肾病患者的尿液样本中大量存在着被肾小球等组织挤压造成的畸形尿红细胞。尿红细胞的畸变类型与数量能够较为准确地反映出肾脏病变的类型与程度，因而对显微镜下肾病患者尿液样本中的畸形尿红细胞进行分类统计是一种重要的肾病辅助诊断手段。传统畸形尿红细胞的分类统计需要上万次观察经验的专业医师在显微镜下对畸形尿红细胞进行识别、分类以及数量统计，平均需要10分钟左右才能得到较为准确的分类统计结果。因此传统的人工检查方法一方面使得专业医师承担着沉重的工作负担，另一方面在专业医师缺乏地区已经难以满足肾病患者的体检需求。

现有技术中，尿红细胞畸形率检测方法基于显微镜下尿红细胞的图像数据，使用图像平滑、锐化、边缘检测、中值滤波等方法对图像中的畸形尿红细胞进行检测与统计。但是一方面如附图3所示，显微镜下的尿红细胞包括正常尿红细胞与多种畸形尿红细胞。畸形尿红细胞的种类繁多、特征复杂，包括靶型、影红、芽孢、花环、面包圈、颗粒6种类型，不同种类的畸形尿红细胞之间形态差异不明显。现有的畸形尿红细胞识别方法大都使用图像平滑、锐化、边缘检测等传统的数字图像处理算法，不具备畸形尿红细胞分类能力。另一方面显微镜下尿液样本存在一定的厚度，畸形尿红细胞会分布在尿液样本不同的深度上，因此单张固定焦距的显微镜图片中的部分畸形尿红细胞会存在成像模糊的现象。此外，畸形尿红细胞本身存在着一定的厚度，呈现出中间凹陷的圆饼状，因此畸形尿红细胞在显微镜下的形态特征会随着显微镜焦距的变化而变化。特别值得注意的是靶形尿红细胞的形态特征在随着显微镜焦距变化而变化时，甚至会与其他种类畸形尿红细胞的形态特征相同。如附图4所示，靶形尿红细胞的形态会随着显微镜焦距的变化而逐渐呈现出影红尿红细胞以及面包圈尿红细胞的形态特征，只有在焦距合适时才会呈现出靶型尿红细胞的典型形态特征。并且靶形细胞是一种十分常见的畸形尿红细胞，其数量占比可以达到畸形尿红细胞总数的四分之一。因此，仅仅基于显微镜图片数据与传统的数字图像处理算法难以实现对畸形尿红细胞的准确分类统计，进而无法有效的减轻专业医师的工作负担，无法有效缓解医疗资源紧缺地区肾病患者的体检压力。

因此，有必要对现有技术的尿红细胞检测和统计方法进行改进，以提高检测的精度和效率。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种畸形尿红细胞分类统计方法与系统，以提高检测的精度和效率。

为了解决上述技术问题，本发明采用的技术方案为：一种畸形尿红细胞分类统计方法，包括以下步骤：S1、采集样本的显微镜变焦视频；

S2、找出显微镜变焦视频所有帧中清晰度最高的帧，并在清晰度最高的帧上识别出全部尿红细胞，并从全部尿红细胞中识别出畸形尿红细胞；依据畸形尿红细胞的位置和大小从显微镜变焦视频中分割出多个畸形尿红细胞变焦视频；

S3、将打上了分类标签的若干个畸形尿红细胞变焦视频作为训练集数据，利用深度多示例学习算法预测出各个畸形尿红细胞变焦视频中每一帧在不同分类下的概率，并将每个分类下概率值大于概率阈值的帧设定为该分类下的关键帧；所述分类标签包括靶型、影红、芽孢、花环、面包圈、颗粒6种；