[发明专利]一种抗核抗体荧光核型自动标注方法

说明书

一种抗核抗体荧光核型自动标注方法属于医疗大数据处理的研究领域。由于已标注的抗核抗体荧光核型图片收集困难，利用少量样本从头学习一个全新的Faster‑RCNN网络结构难以实现。本发明方法的第一步就是针对要识别图片特点，选用一个常见的预训练模型作为初始网络。第二步，比较预训练模型对输入图片的要求与收集到的训练样本实例，进行图片预处理工作，具体包括切割、标注及命名等工作。第三步就是通过上一步获取到的训练样本对带初始化网络的Faster‑RCNN进行训练，并通过迭代优化确定实时参数。获取到合适的Faster‑RCNN模型后，方法的第四步就可以进行新增图片识别与标注工作，当然新增图片同样需要进行必要的预处理，比如切割。

技术领域

一种适合大规模医疗图片的自动检测及标注方法，属于医疗大数据研究领域。具体涉及一种抗核抗体荧光核型自动标注方法。

背景技术

抗核抗体(anti-nuclear antibody，ANA)是泛指一类具有抗各种细胞成分的自身抗体。抗核抗体检测在自身免疫性疾病的临床诊断、鉴别诊断、评价疗效和预后估计中有较大作用，常将抗核抗体的检测作为自身免疫病的重要初筛试验。目前临床上有多种检测ANA的方法，其中间接免疫荧光(IIF)法是ANA检测的推荐方法。尽管全自动间接免疫荧光法分析仪(HELIOS)可以帮助医生对荧光载片进行判读，但是HELIOS只能判定滴度，不能判定荧光核型。目前对抗核抗体荧光核型图片中的细胞所属类型识别基本是通过人工来进行的，标准化和自动化程度相对比较低。而且由于细胞类型多、识别难度大，在标本量大的情况下，人工核型识别的准确性也较低。因此抗核抗体荧光核型图片识别与标注存在极大的改进空间。特别是使用现有人工智能方法进行自动识别及标注是一个极具前景的研究方向。

深度学习算法是目前人工智能领域中处理图像识别任务的主流算法，其中,卷积神经网络系列算法因其检测速度快，精确度高等特点更是成为常用的图像目标检测方法。Faster-RCNN是继RCNN，fast RCNN之后，这一团队在2015年提出的最新算法。Faster RCNN使用了一个区域生成网络将目标检测的四个基本步骤：候选区域生成，特征提取，分类以及位置精修统一到了一个深度网络框架之内。使得最终的计算没有重复，可以完全在GPU中完成，大大提高了运行速度。这一技术现已被应用于各种目标检测任务，常见的有智能交通中的车辆目标检测，智能农业中的害虫检测，智能工业中的电路检测等任务。

发明内容

本发明尝试使用Faster-RCNN算法来自动完成抗核抗体荧光核型图片识别与标注任务，提出了基于Faster-RCNN的抗核抗体荧光核型图片识别与标注方法(a detectionand tagging method of ANA fluorescence karyotype based on Faster-RCNN，DTMANAFK-faster-RCNN)，如图1所示。由于已标注的抗核抗体荧光核型图片收集困难，利用少量样本从头学习一个全新的Faster-RCNN网络结构难以实现。本发明方法的第一步就是针对要识别图片特点，选用一个常见的预训练模型作为初始网络。第二步，比较预训练模型对输入图片的要求与收集到的训练样本实例，进行图片预处理工作，具体包括切割、标注及命名等工作。第三步就是通过上一步获取到的训练样本对带初始化网络的Faster-RCNN进行训练，并通过迭代优化确定实时参数。获取到合适的Faster-RCNN模型后，方法的第四步就可以进行新增图片识别与标注工作，当然新增图片同样需要进行必要的预处理，比如切割。为了简化，本方法目前只能识别与标注细胞核均质类型一(标nh1)及细胞核均质类型二(标nh2)两种核型。

本发明提供的基于Faster-RCNN的抗核抗体荧光核型图片识别与标注方法DTMANAFK-faster-RCNN，具体步骤如下：

步骤1：收集已标注(细胞核均质类型一及细胞核均质类型二)的抗核抗体荧光核型图片集合D1及D2及对应XML格式说明数据E1及E2，其中图片大小：m*n像素，标注目标长度范围a～b像素，宽度范围c～d像素，目标相对于图片的最小占比p(x)＝(a*c)/(m*n)。