革兰氏染色片整体Nugent分析方法及系统与流程

革兰氏染色片整体nugent分析方法及系统
技术领域
1.本发明涉及微生态形态学分析领域，具体地，涉及一种革兰氏染色片整体nugent分析方法及系统。


背景技术：

2.细菌性阴道炎是以乳杆菌减少或消失，相关微生物增多为特征的临床综合征，而nugent评分方法诊断细菌性阴道病是一种比较客观准确的方法，目前已成为该指标诊断的金标准。由于评价时，其目标菌群种类较多且多微小细碎菌，传统的分割方式会由于其粘连和染色等问题照成误判，采用目标分割方式则需要大量的人工标记，繁琐且标准不明确。由于诊断时是生物显微镜采集图片多视野综合评判，以上两种根据细菌阴阳和数量评判的方式，会受到染色和涂样不均等因素的影响，难以适应临床评价。
3.因此，本发明根据革兰染色nugent评分标准，将评分按照正常、抑制、bv、bv中间型等模块划分，使用神经网络作为模块化结果，结合分割统计，进行评分，有效规避了涂样不均、染色等造成的影响，在临床实验中表现很好。
4.专利文献cn110895968a(申请号：cn201910334631.x)公开了一种人工智能医学图像自动诊断系统和方法，其采集医学显微镜图像和对应的诊断数据，对医学显微镜图像进行标注得到医学显微镜图像对应的标注数据，基于医学显微镜图像对应的诊断数据和标注数据构建训练集和测试集，并基于深度学习模型训练得到最优ai分类模型和最优ai语义分割模型，实现检测样本的医学显微镜图像的自动诊断。但该发明标记困难，网络复杂，结果为单一图片结果。
5.专利文献cn106033540b(申请号：cn201610363093.3)公开了一种阴道微生态形态学自动分析方法和系统，针对通过常规设备获取的低分辨率涂片图像，先对其进行超分辨率放大重建，使其更为清晰，为后续的分类奠定基础，再应用神经网络技术对重建后的高分辨率图像进行图像判断和识别，并一步输出微生物的种类和密度，以实现对阴道微生态形态学进行自动分析和计算机辅助识别的目的，从而可以对阴道微生态系统进行客观准确的临床评价。但该发明标记困难，网络复杂，结果为单一图片结果。
6.专利文献cn107669698a(申请号：cn201711137885.x)公开了一种治疗或预防细菌性阴道病的方法，预防细菌性阴道病的复发的方法，以及减轻或预防细菌性阴道病的症状或诊断标准的方法。所述方法包括施用有效量的大分子，所述大分子包含聚赖氨酸树枝状高分子、聚酰氨基胺树枝状高分子、聚(醚羟胺)树枝状高分子或聚(亚丙基亚胺)树枝状高分子以及一个或多个与其连接的含磺酸的部分。但该发明评价时其目标菌群种类较多且多微小细碎菌，传统的分割方式会由于其粘连和染色等问题照成误判，采用目标分割方式则需要大量的人工标记，繁琐且标准不明确。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种革兰氏染色片整体nugent分析
方法及系统。
8.根据本发明提供的一种革兰氏染色片整体nugent分析方法，包括：
9.步骤s1：对显微镜采集的图片进行分类；
10.步骤s2：对分类的图片采用神经网络进行分类训练，得到分类模型；
11.步骤s3：使用训练得到的模型对单个样本的采集的每张图片进行识别；
12.步骤s4：统计单张图片识别结果，根据统计分析结果得出整个样本的分数段；
13.步骤s5：结合分割统计数量，给出该样本具体的得分。
14.优选地，在所述步骤s1中：
15.按照人工nugent评分的分段方式对显微镜采集的图片进行分类标记；
16.按照评分标准对分数段进行模块划分后，将采集图片进行人工标记。
17.优选地，在所述步骤s2中：
18.采用神经网络对分类标记好的图片进行分类训练。
19.优选地，在所述步骤s3中：
20.使用训练得到的模型对单个样本的采集的每张图片进行识别；
21.每个样本存在多张需要识别的图片，每张图片都会有一个单独的评分结果。
22.优选地，在所述步骤s4中：
23.将整张样本所采集的所有图片的结果进行汇总统计分析；
24.识别结果为模型识别结果；
25.统计分析结果：采取按照所分模块统计出每类数量，根据占比判断出总体的分数段。
26.根据本发明提供的一种革兰氏染色片整体nugent分析系统，包括：
27.模块m1：对显微镜采集的图片进行分类；
28.模块m2：对分类的图片采用神经网络进行分类训练，得到分类模型；
29.模块m3：使用训练得到的模型对单个样本的采集的每张图片进行识别；
30.模块m4：统计单张图片识别结果，根据统计分析结果得出整个样本的分数段；
31.模块m5：结合分割统计数量，给出该样本具体的得分。
32.优选地，在所述模块m1中：
33.按照人工nugent评分的分段方式对显微镜采集的图片进行分类标记；
34.按照评分标准对分数段进行模块划分后，将采集图片进行人工标记。
35.优选地，在所述模块m2中：
36.采用神经网络对分类标记好的图片进行分类训练。
37.优选地，在所述模块m3中：
38.使用训练得到的模型对单个样本的采集的每张图片进行识别；
39.每个样本存在多张需要识别的图片，每张图片都会有一个单独的评分结果。
40.优选地，在所述模块m4中：
41.将整张样本所采集的所有图片的结果进行汇总统计分析；
42.识别结果为模型识别结果；
43.统计分析结果：采取按照所分模块统计出每类数量，根据占比判断出总体的分数段。
44.与现有技术相比，本发明具有如下的有益效果：
45.1、本发明通过采用神经网络模型与统计原理结合的方法，解决了单一分割方法和单一图片网络模型识别结果无法代表整体的问题；
46.2、本发明有效抑制单张识别错误给整体破片识别带来的严重后果，达到了快速识别和模拟人工整体评价的效果。
附图说明
47.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
48.图1为本发明流程图；
49.图2为革兰染色nugent评分标准。
具体实施方式
50.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
51.实施例1：
52.根据本发明提供的一种革兰氏染色片整体nugent分析方法，如图1-2所示，包括：
53.步骤s1：对显微镜采集的图片进行分类；
54.步骤s2：对分类的图片采用神经网络进行分类训练，得到分类模型；
55.步骤s3：使用训练得到的模型对单个样本的采集的每张图片进行识别；
56.步骤s4：统计单张图片识别结果，根据统计分析结果得出整个样本的分数段；
57.步骤s5：结合分割统计数量，给出该样本具体的得分。
58.具体地，在所述步骤s1中：
59.按照人工nugent评分的分段方式对显微镜采集的图片进行分类标记；
60.按照评分标准对分数段进行模块划分后，将采集图片进行人工标记。
61.具体地，在所述步骤s2中：
62.采用神经网络对分类标记好的图片进行分类训练。
63.具体地，在所述步骤s3中：
64.使用训练得到的模型对单个样本的采集的每张图片进行识别；
65.每个样本存在多张需要识别的图片，每张图片都会有一个单独的评分结果。
66.具体地，在所述步骤s4中：
67.将整张样本所采集的所有图片的结果进行汇总统计分析；
68.识别结果为模型识别结果；
69.统计分析结果：采取按照所分模块统计出每类数量，根据占比判断出总体的分数段。
70.实施例2：
71.实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
72.本领域技术人员可以将本发明提供的一种革兰氏染色片整体nugent分析方法，理解为革兰氏染色片整体nugent分析系统的具体实施方式，即所述革兰氏染色片整体nugent分析系统可以通过执行所述革兰氏染色片整体nugent分析方法的步骤流程予以实现。
73.根据本发明提供的一种革兰氏染色片整体nugent分析系统，包括：
74.模块m1：对显微镜采集的图片进行分类；
75.模块m2：对分类的图片采用神经网络进行分类训练，得到分类模型；
76.模块m3：使用训练得到的模型对单个样本的采集的每张图片进行识别；
77.模块m4：统计单张图片识别结果，根据统计分析结果得出整个样本的分数段；
78.模块m5：结合分割统计数量，给出该样本具体的得分。
79.具体地，在所述模块m1中：
80.按照人工nugent评分的分段方式对显微镜采集的图片进行分类标记；
81.按照评分标准对分数段进行模块划分后，将采集图片进行人工标记。
82.具体地，在所述模块m2中：
83.采用神经网络对分类标记好的图片进行分类训练。
84.具体地，在所述模块m3中：
85.使用训练得到的模型对单个样本的采集的每张图片进行识别；
86.每个样本存在多张需要识别的图片，每张图片都会有一个单独的评分结果。
87.具体地，在所述模块m4中：
88.将整张样本所采集的所有图片的结果进行汇总统计分析；
89.识别结果为模型识别结果；
90.统计分析结果：采取按照所分模块统计出每类数量，根据占比判断出总体的分数段。
91.实施例3：
92.实施例3为实施例1的优选例，以更为具体地对本发明进行说明。
93.采用多个简单神经网络与统计学结合的方法，模拟人工评判过程，按照人工评判标准，对图片进行模块化划分，再结合具体的菌群数量，给出具体评分，对阴道微生态菌群进行整体评价。
94.①
网络识别得出单一图片结果
95.②
汇总每张样片采集的每张图片的结果(一般80张图左右)
③
根据占比得出所在模块区间
96.④
参考分割数量给出具体的分数(1-10分)
97.步骤1：按照人工nugent评分的分段方式对显微镜采集的图片进行分类。
98.人工nugent评分是指根据革兰染色nugent评分标准，临床医生对某一病人样本进行评分的过程，标准如图1，图中按每10个油镜视野所观察到的每种细菌的平均数量进行计算和分值分配，总分值是4种细菌分值的总和；正常：1～3分bv中间型4～6分bv：7～10分。
99.分类按照分数段进行模块划分，使用的是简单的cnn网络。
100.步骤2：采用神经网络对分类的图片采用简单cnn网络训练进行分类训练。
101.步骤3：统计整张玻片扫描出的所有图片的模型分类结果。
102.模型分类结果是使用训练好的模型去识别网络未见过的图片得出的结果，是每个
样本的每一张图片都会有一个结果。
103.步骤4：对分类结果进行统计分析，根据分析结果打出整张玻片的评分结果。
104.统计分析：由于样本涂样不均匀，一张样本上的采集视野会有不同的情况，因此也会有不同的结果，本发明采取分模块统计出结果后，根据占比进行判断总体的分段，再结合分割统计数量，判断出具体的得分。
105.分析结果是根据识别结果和占比统计得出一个样本的分数段；
106.评分结果是结合分割数量得出的具体的分数。
107.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
108.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。