尿液有形成分分析方法和装置的制造方法
【技术领域】
[0001 ] 本发明涉及生物检测，尤其涉及一种尿液有形成分分析方法和装置。
【背景技术】
[0002]在通常的尿沉渣分析技术中，首先利用显微系统拍摄尿液样本图像。然后，利用边缘检测技术分割出尿液样本中的微粒区块。从这些微粒区块中去除杂质区块和背景区块，留下有形成分(如红细胞、白细胞、结晶)区块。然后，对这些有形成分分类，例如分成红细胞、白细胞、结晶等。
[0003]分类过程常常使用基于训练模型的分类器。例如，会利用一些对于区分各类有形成分有帮助的分类特征，例如面积、圆形度、伸展度、梯度等，组成分类特征集来训练分类器，例如神经网络。例如，事先将大量的有形成分区块样本输入分类器，并通过测算它们的分类特征(例如面积、圆形度、伸展度、梯度等)进行训练。这样，当输入新的有形成分区块后，训练好的分类器根据测算的该区块的分类特征，对其进行分类。
[0004]现有的尿沉渣分析技术中，存在着有形成分区块分类准确度不够高等缺点。
【发明内容】
[0005]本发明的一个实施例旨在提高有形成分区块的分类准确度。
[0006]根据本发明的一个实施例，提供了一种尿液有形成分分析方法，包括:从尿液样本图像中检测有形成分区块；为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；按照所述多个决策树决策的结果对有形成分区块进行分类。
[0007]在一种具体实现中，为多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤包括:将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
[0008]在一种具体实现中，为神经网络中的多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤包括:对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
[0009]在一种具体实现中，从尿液样本图像中检测有形成分区块的步骤包括:从尿液样本图像中分割出微粒区块；按照检测特征集中的检测特征，使检测算法从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块；接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步训练检测算法。
[0010]在一种具体实现中，该预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练所述检测算法。
[0011]在一种具体实现中，利用检测算法从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块的步骤包括:按照检测特征集中的第一部分检测特征滤除一部分杂质区块和/或背景区块，再按照检测特征集中的第二部分检测特征滤除另一部分杂质区块和/或背景区块。
[0012]根据本发明的一个实施例，提供了一种尿液有形成分分析装置，包括:检测单元，被配置成从尿液样本图像中检测有形成分区块；分配单元，被配置成为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；分类单元，被配置成按照所述多个决策树决策的结果对有形成分区块进行分类。
[0013]在一种具体实现中，分配单元被配置成将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
[0014]在一种具体实现中，分配单元被配置成对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
[0015]在一种具体实现中，检测单元被配置为:从尿液样本图像中分割出微粒区块；按照检测特征集中的检测特征，使检测算法从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块；接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步检测算法。
[0016]在一种具体实现中，预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练检测算法。
[0017]由于根据本发明的一个实施例，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡。用这样多个能力均衡的决策树分别决策，并综合其决策结果，得到的分类结果会更准确。因此，本发明的一个实施例提高了有形成分区块的分类准确度。
【附图说明】
[0018]本发明的这些和其它的特征和优点通过以下结合附图的详细描述将变得更加显而易见。
[0019]图1示出了根据本发明的一个实施例的尿液有形成分分析方法的流程图。
[0020]图2示出了根据本发明的一个实施例的尿液有形成分分析装置的框图。
[0021]图3示出了根据本发明的一个实施例的尿液有形成分分析设备的框图。
【具体实施方式】
[0022]下面，将结合附图详细描述本发明的各个实施例。
[0023]如图1所示，根据本发明的一个实施例的尿液有形成分分析方法1，包括:在步骤SI，从尿液样本图像中检测有形成分区块；在步骤S2，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；在步骤S3，按照所述多个决策树决策的结果对有形成分区块进行分类。
[0024]现在结合一个具体实施例对步骤S1-S3所述的过程进行描述。
[0025]首先，在步骤SI，从尿液样本图像中检测有形成分区块。
[0026]利用现有技术的边缘检测等方法，可以从拍摄的尿液样本图像中分割出微粒区块(包括有形成分区块、杂质区块、背景区块)。检测有形成分区块的过程也可用到训练模型。类似于分类训练模型中的分类特征集，检测训练模型中用到检测特征集。检测特征集中的检测特征是用来区分有形成分和杂质、背景等的。分类特征集中的分类特征是用来区分不同有形成分的。因此，检测特征可能会不同于分类特征，但也可能部分是相同的。
[0027]可以按照检测特征集中的检测特征，针对预先输入的大量有形成分区块、杂质区块和背景区块的样本集训练基于boosting的检测算法。杂质区块和背景区块的样本例如可通过挖掘算法产生。
[0028]例如，在圆形度作为唯一的检测特征的情况下，训练后的基于boosting的检测算法就会将圆形度在某一范围内的区块检测为有形成分区块，而将圆形度在另一范围内的区块归为杂质区块。这样，按照检测特征集中的检测特征，训练后的基于boosting的检测算法就可以从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块。
[0029]在实际运行时，在输入新的微粒区块时，训练后的基于boosting的检测算法会将其归为有形成分区块、杂质区块或背景区块。当显示器旁的专家判断该结果不正确(包括将有形成分区块误判为杂质区块或背景区块，或将杂质区块或背景区块误判为有形成分区块)时，输入反馈。可以根据该反馈进一步训练基于boosting的检测算法。例如，在圆形度作为唯一的检测特征的情况下，基于boosting的检测算法将圆形度在某一范围内的区块检测为有形成分区块，但专家给出了负反馈。此时，基于boosting的检测算法需要重新考量用于判定有形成分区块的圆形度范围的上下限是否合适。因此，相比于一旦预先训练好基于boosting的检测算法在实际运行中就不再接受专家反馈的方案，本发明的一个实施例可在实际运行中不断接受反馈来自学习，从而提高了检测有形成分区块的检测精度。
[0030]可以通过级联算法来提高从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块的速度。例如，可以先从检测特征集中选取一个或多个区分有形成分区块和背景/杂质区块的有效性较高的检测特征，据此滤除一部分容易滤除的杂质区块和/或背景区块。然后，在检测特征集中再选取一个或多个检测特征，据此在剩下的微粒区块中再滤除一些杂质区块和/或背景区块。重复这样的过程，直至只剩下有形成分区块。
[0031]其它变形
[0032]本领域技术人员应当理解，上述在实际运行中根据反馈进一步训练(自学习)基于boosting的检测算法的过程也可以省略。这一过程只是用于进一步提高检测有形成分区块的检测精度。没有这一过程，仍然能够检测出有形成分区块。
[0033]本领域技术人员应当理解，也可以不按照检测特征集中的检测特征，针对预先输入的大量有形成分区块、杂质区块和背景区块的样本集训练基于boosting的检测算法。例如，可以采用只根据实际运行中的反馈训练基于boosting的检测算法的方式。也可以不采用训练模型的方式，而采用现有技术中的不基于检测特征集和检测训练模型的其它边缘检测方法。
[0034]本领域技术人员应当理解，也可以不采用上述的级联算法。级联算法相比于一次性从检测特征集中选取全部所需检测特征并一次性用于基于boosting的检测算法的方案相比，提高了检测的速度。但在不要求较高检测速度的应用场合，也可以采用将全部所需检测特征一次性用于基于boosting的检测算法的方式。
[0035]在步骤S2，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡。
[0036]假设分类特征集中有20个分类特征A-f^。随机选取5个决策树T1-T5,用于对有形成分区块进行分类的决策。f1-fV用于对有形成