[发明专利]荧光染色抗酸杆菌计数方法及系统

权利要求书

1.一种荧光染色抗酸杆菌计数方法，其特征在于，所述荧光染色抗酸杆菌计数方法包括：

步骤S1、将病理玻片按照操作流程置入病理扫描仪进行扫描，并将扫描图片上传系统；

步骤S2、将扫描得到的原始图片切分成设定大小的第二图片；

步骤S3、对于每张第二图片，进行图像预处理，包括去噪处理和滤波处理；

步骤S4、对于每张图片i，运行抗酸杆菌识别和计数算法，得到抗酸杆菌的读数：μ_i±Δ_i，其中，Δ_i是误差范围，对应设定的置信区间；

步骤S5、获取所有第二图片中抗酸杆菌的数量，并汇总计数；汇总的计数公式为μ±Δ，其中μ＝∑_iμ_i，

2.根据权利要求1所述的荧光染色抗酸杆菌计数方法，其特征在于：

所述荧光染色抗酸杆菌计数方法进一步包括：步骤S6、根据杆菌的计数以及玻片的视野数，判定测试评级结果。

3.根据权利要求2所述的荧光染色抗酸杆菌计数方法，其特征在于：

所述荧光染色抗酸杆菌计数方法进一步包括：步骤S7、把原始图片、分割后的图片以及对应的抗酸杆菌读数，汇总后的计数/误差及最后的测试评级结果信息发送到显示终端，供专业人员查看。

4.根据权利要求1至3任一所述的荧光染色抗酸杆菌计数方法，其特征在于：

所述步骤S4中，利用深度学习数学模型进行抗酸杆菌识别和计数；

所述荧光染色抗酸杆菌计数方法进一步包括深度学习数学模型构建步骤，所述深度学习数学模型构建步骤具体包括：

步骤1、数据准备步骤；具体包括：

步骤11、选取设定张切片扫描图片；

步骤12、进行高质量的数据标注，把含有荧光染色的抗酸杆菌区域以及典型的噪声区域标注出来；

步骤13、把每张扫描图片分割成设定大小的图像；

步骤14、根据数据标注的结果，统计出每幅图像的杆菌计数；

步骤15、把数据集按照设定的比例，随机划分为训练集、验证集和测试集；

步骤2、数学模型构建步骤；

步骤21、设定卷积神经网络CNN；

步骤22、设定计数网络；计数网络由设定层全连接层构成，输出层包含了一个Relu层，以避免输出负值；

步骤23、设定误差网络；误差网络由设定层全连接层构成，输出方差的对数值logσ²；

步骤3、数学模型训练步骤；

数学模型的损失函数表达式如下：

5.根据权利要求4所述的基于人工智能的荧光染色抗酸杆菌计数系统，其特征在于：

所述步骤21中，卷积神经网络CNN选择VGG11作为特征抽取的卷积神经网络，包含11层卷积+池化，卷积filter的大小为3x3，filter的数目为64～512；而且，每个卷积层后接一个BN层，以避免梯度计算的不稳定；

所述步骤3中，训练时使用Adam优化器，学习率初始值为1e-4，每个epoch递减10％。

6.一种荧光染色抗酸杆菌计数系统，其特征在于，所述荧光染色抗酸杆菌计数系统包括：

原始图片获取模块，用以将病理玻片按照操作流程置入病理扫描仪进行扫描，并将扫描图片上传系统；

图片切分模块，用以将扫描得到的原始图片切分成设定大小的第二图片；

图形预处理模块，用以对每张第二图片进行图像预处理，包括去噪处理和滤波处理；

抗酸杆菌识别计数模块，用以对于每张图片i运行抗酸杆菌识别和计数算法，得到抗酸杆菌的读数：μ_i±Δ_i，其中，Δ_i是误差范围，对应设定的置信区间；

计数汇总模块，用以汇总所有第二图片中抗酸杆菌的数量；汇总的计数公式为μ±Δ，其中μ＝∑_iμ_i，