[发明专利]基于机器学习和深度学习的ANA荧光片自动识别方法

说明书

本发明公开了一种基于机器学习和深度学习的ANA荧光片自动识别方法，属于机器学习与深度学习技术领域，解决现有技术中通过人工判断ANA荧光片，对人员要求高，容易出现误判的问题。本发明基于机器学习模型，通过数据集计算得到滴度模型；基于深度学习模型，通过数据集计算得到核型模型；读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；将多个特征输入滴度模型，得到预测的滴度；将待识别的图片输入核型模型，得到预测的核型；根据预测的滴度与预测的核型得到识别结果。本发明用于识别ANA荧光片的滴度和核型。

技术领域

一种基于机器学习和深度学习的ANA荧光片自动识别方法，用于识别ANA荧光片的滴度和核型，属于机器学习与深度学习技术领域。

背景技术

抗核抗体(anti-nuclear antibody，ANA)是抗所有核酸和核蛋白抗体的总称，包括细胞核、细胞浆、细胞骨架、细胞分裂周期中产生的某些成分等。ANA可作为血清学标志物。目前国内外公认生物薄片间接免疫荧光法(indirect immunofluorescence，IIF)为检测ANA的金标准方法，其具有敏感性高、半定量的特点。

虽然IIF在检测ANA中有不可替代的优势，但其自动化和标准化却落后于其他免疫学技术。目前传统ANA荧光片识别方法是人工判断。但此种方法对检验师要求较高，且耗时耗力，可能出现偏差。甚至不同的检验师可能对同一张图片出具不同的检验结果。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于机器学习和深度学习的ANA荧光片自动识别方法，解决现有技术中通过人工判断ANA荧光片，对人员要求高，容易出现误判的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于机器学习和深度学习的ANA荧光片自动识别方法，其特征在于，如下步骤：

S1、基于机器学习模型，通过数据集计算得到滴度模型；

S2、基于深度学习模型，通过数据集计算得到核型模型；

S3、读取待识别的ANA荧光片，即待识别的图片，将待识别的图片进行特征提取，得到提取的多个特征值；

S4、将多个特征值输入滴度模型，得到预测的滴度；

S5、将待识别的图片输入核型模型，得到预测的核型；

S6、根据预测的滴度与预测的核型得到识别结果。

进一步，所述步骤S1的具体步骤为：

S1.1、对获取的ANA荧光片构成的原始数据集进行清洗后，提取清洗后的原始数据集中各ANA荧光片的滴度标注；

S1.2、提取滴度标注后的ANA荧光片的特征值，作为数据集；

S1.3、根据数据集训练支持向量机，得到滴度模型。

进一步，所述步骤S1.2的具体步骤为：

S1.2.1、将每一张ANA荧光片转换为灰度图片，灰度图片为一个大小为X*Y的二维矩阵M，计算二维矩阵M的所有元素平均值，得到第一个特征值f1；

S1.2.2、二维矩阵M的具体某一个元素代表该像素点的灰度值，值的大小在0-255之间，将矩阵所有元素按照灰度强度等级进行计数，即分别统计灰度值在0-10、11-20、21-30直到241-250之间的像素点数量，依次将统计得到的数量作为特征值f2-f26，而大小在251-255之间的像素点数量作为特征值f27；

S1.2.3、将所有灰度图片的纹理均值、纹理方差、纹理平滑度、纹理三阶矩、纹理一致性和纹理熵分别作为特征值f28-f33；