尿液有形成分分析方法和裝置的制造方法
【技術領域】
[0001 ] 本發明涉及生物檢測，尤其涉及一種尿液有形成分分析方法和裝置。
【背景技術】
[0002]在通常的尿沉渣分析技術中，首先利用顯微系統拍攝尿液樣本圖像。然后，利用邊緣檢測技術分割出尿液樣本中的微粒區塊。從這些微粒區塊中去除雜質區塊和背景區塊，留下有形成分(如紅細胞、白細胞、結晶)區塊。然后，對這些有形成分分類，例如分成紅細胞、白細胞、結晶等。
[0003]分類過程常常使用基于訓練模型的分類器。例如，會利用一些對于區分各類有形成分有幫助的分類特征，例如面積、圓形度、伸展度、梯度等，組成分類特征集來訓練分類器，例如神經網絡。例如，事先將大量的有形成分區塊樣本輸入分類器，并通過測算它們的分類特征(例如面積、圓形度、伸展度、梯度等)進行訓練。這樣，當輸入新的有形成分區塊后，訓練好的分類器根據測算的該區塊的分類特征，對其進行分類。
[0004]現有的尿沉渣分析技術中，存在著有形成分區塊分類準確度不夠高等缺點。
【發明內容】
[0005]本發明的一個實施例旨在提高有形成分區塊的分類準確度。
[0006]根據本發明的一個實施例，提供了一種尿液有形成分分析方法，包括:從尿液樣本圖像中檢測有形成分區塊；為多個決策樹分配分類特征集中的分類特征，從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡，所述分類特征集中的分類特征用于對有形成分區塊進行分類；按照所述多個決策樹決策的結果對有形成分區塊進行分類。
[0007]在一種具體實現中，為多個決策樹分配分類特征集中的分類特征從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡的步驟包括:將分類特征集中的分類特征按照對有形成分區塊進行分類的有效性分成多個級別，并使每個決策樹具有在所述多個級別中的每個級別的分類特征。
[0008]在一種具體實現中，為神經網絡中的多個決策樹分配分類特征集中的分類特征從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡的步驟包括:對分類特征集中的分類特征對有形成分區塊進行分類的有效性進行評分，并使每個決策樹分配到的分類特征的總評分均衡。
[0009]在一種具體實現中，從尿液樣本圖像中檢測有形成分區塊的步驟包括:從尿液樣本圖像中分割出微粒區塊；按照檢測特征集中的檢測特征，使檢測算法從分割出的微粒區塊中去除雜質區塊和背景區塊，保留有形成分區塊；接收對雜質區塊或背景區塊的去除或對有形成分區塊的保留的結果的反饋，按照該反饋進一步訓練檢測算法。
[0010]在一種具體實現中，該預先按照檢測特征集中的檢測特征，針對預先輸入的有形成分區塊、雜質區塊和背景區塊的樣本集訓練所述檢測算法。
[0011]在一種具體實現中，利用檢測算法從分割出的微粒區塊中去除雜質區塊和背景區塊并保留有形成分區塊的步驟包括:按照檢測特征集中的第一部分檢測特征濾除一部分雜質區塊和/或背景區塊，再按照檢測特征集中的第二部分檢測特征濾除另一部分雜質區塊和/或背景區塊。
[0012]根據本發明的一個實施例，提供了一種尿液有形成分分析裝置，包括:檢測單元，被配置成從尿液樣本圖像中檢測有形成分區塊；分配單元，被配置成為多個決策樹分配分類特征集中的分類特征，從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡，所述分類特征集中的分類特征用于對有形成分區塊進行分類；分類單元，被配置成按照所述多個決策樹決策的結果對有形成分區塊進行分類。
[0013]在一種具體實現中，分配單元被配置成將分類特征集中的分類特征按照對有形成分區塊進行分類的有效性分成多個級別，并使每個決策樹具有在所述多個級別中的每個級別的分類特征。
[0014]在一種具體實現中，分配單元被配置成對分類特征集中的分類特征對有形成分區塊進行分類的有效性進行評分，并使每個決策樹分配到的分類特征的總評分均衡。
[0015]在一種具體實現中，檢測單元被配置為:從尿液樣本圖像中分割出微粒區塊；按照檢測特征集中的檢測特征，使檢測算法從分割出的微粒區塊中去除雜質區塊和背景區塊，保留有形成分區塊；接收對雜質區塊或背景區塊的去除或對有形成分區塊的保留的結果的反饋，按照該反饋進一步檢測算法。
[0016]在一種具體實現中，預先按照檢測特征集中的檢測特征，針對預先輸入的有形成分區塊、雜質區塊和背景區塊的樣本集訓練檢測算法。
[0017]由于根據本發明的一個實施例，為多個決策樹分配分類特征集中的分類特征，從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡。用這樣多個能力均衡的決策樹分別決策，并綜合其決策結果，得到的分類結果會更準確。因此，本發明的一個實施例提高了有形成分區塊的分類準確度。
【附圖說明】
[0018]本發明的這些和其它的特征和優點通過以下結合附圖的詳細描述將變得更加顯而易見。
[0019]圖1示出了根據本發明的一個實施例的尿液有形成分分析方法的流程圖。
[0020]圖2示出了根據本發明的一個實施例的尿液有形成分分析裝置的框圖。
[0021]圖3示出了根據本發明的一個實施例的尿液有形成分分析設備的框圖。
【具體實施方式】
[0022]下面，將結合附圖詳細描述本發明的各個實施例。
[0023]如圖1所示，根據本發明的一個實施例的尿液有形成分分析方法1，包括:在步驟SI，從尿液樣本圖像中檢測有形成分區塊；在步驟S2，為多個決策樹分配分類特征集中的分類特征，從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡，所述分類特征集中的分類特征用于對有形成分區塊進行分類；在步驟S3，按照所述多個決策樹決策的結果對有形成分區塊進行分類。
[0024]現在結合一個具體實施例對步驟S1-S3所述的過程進行描述。
[0025]首先，在步驟SI，從尿液樣本圖像中檢測有形成分區塊。
[0026]利用現有技術的邊緣檢測等方法，可以從拍攝的尿液樣本圖像中分割出微粒區塊(包括有形成分區塊、雜質區塊、背景區塊)。檢測有形成分區塊的過程也可用到訓練模型。類似于分類訓練模型中的分類特征集，檢測訓練模型中用到檢測特征集。檢測特征集中的檢測特征是用來區分有形成分和雜質、背景等的。分類特征集中的分類特征是用來區分不同有形成分的。因此，檢測特征可能會不同于分類特征，但也可能部分是相同的。
[0027]可以按照檢測特征集中的檢測特征，針對預先輸入的大量有形成分區塊、雜質區塊和背景區塊的樣本集訓練基于boosting的檢測算法。雜質區塊和背景區塊的樣本例如可通過挖掘算法產生。
[0028]例如，在圓形度作為唯一的檢測特征的情況下，訓練后的基于boosting的檢測算法就會將圓形度在某一范圍內的區塊檢測為有形成分區塊，而將圓形度在另一范圍內的區塊歸為雜質區塊。這樣，按照檢測特征集中的檢測特征，訓練后的基于boosting的檢測算法就可以從分割出的微粒區塊中去除雜質區塊和背景區塊，保留有形成分區塊。
[0029]在實際運行時，在輸入新的微粒區塊時，訓練后的基于boosting的檢測算法會將其歸為有形成分區塊、雜質區塊或背景區塊。當顯示器旁的專家判斷該結果不正確(包括將有形成分區塊誤判為雜質區塊或背景區塊，或將雜質區塊或背景區塊誤判為有形成分區塊)時，輸入反饋。可以根據該反饋進一步訓練基于boosting的檢測算法。例如，在圓形度作為唯一的檢測特征的情況下，基于boosting的檢測算法將圓形度在某一范圍內的區塊檢測為有形成分區塊，但專家給出了負反饋。此時，基于boosting的檢測算法需要重新考量用于判定有形成分區塊的圓形度范圍的上下限是否合適。因此，相比于一旦預先訓練好基于boosting的檢測算法在實際運行中就不再接受專家反饋的方案，本發明的一個實施例可在實際運行中不斷接受反饋來自學習，從而提高了檢測有形成分區塊的檢測精度。
[0030]可以通過級聯算法來提高從分割出的微粒區塊中去除雜質區塊和背景區塊并保留有形成分區塊的速度。例如，可以先從檢測特征集中選取一個或多個區分有形成分區塊和背景/雜質區塊的有效性較高的檢測特征，據此濾除一部分容易濾除的雜質區塊和/或背景區塊。然后，在檢測特征集中再選取一個或多個檢測特征，據此在剩下的微粒區塊中再濾除一些雜質區塊和/或背景區塊。重復這樣的過程，直至只剩下有形成分區塊。
[0031]其它變形
[0032]本領域技術人員應當理解，上述在實際運行中根據反饋進一步訓練(自學習)基于boosting的檢測算法的過程也可以省略。這一過程只是用于進一步提高檢測有形成分區塊的檢測精度。沒有這一過程，仍然能夠檢測出有形成分區塊。
[0033]本領域技術人員應當理解，也可以不按照檢測特征集中的檢測特征，針對預先輸入的大量有形成分區塊、雜質區塊和背景區塊的樣本集訓練基于boosting的檢測算法。例如，可以采用只根據實際運行中的反饋訓練基于boosting的檢測算法的方式。也可以不采用訓練模型的方式，而采用現有技術中的不基于檢測特征集和檢測訓練模型的其它邊緣檢測方法。
[0034]本領域技術人員應當理解，也可以不采用上述的級聯算法。級聯算法相比于一次性從檢測特征集中選取全部所需檢測特征并一次性用于基于boosting的檢測算法的方案相比，提高了檢測的速度。但在不要求較高檢測速度的應用場合，也可以采用將全部所需檢測特征一次性用于基于boosting的檢測算法的方式。
[0035]在步驟S2，為多個決策樹分配分類特征集中的分類特征，從而使所述多個決策樹中的每個決策樹對有形成分區塊進行分類的能力均衡。
[0036]假設分類特征集中有20個分類特征A-f^。隨機選取5個決策樹T1-T5,用于對有形成分區塊進行分類的決策。f1-fV用于對有形成