一种基于深度学习法的血液样品脂血、溶血质量监测方法与流程

本发明涉及血液检测，具体为一种基于深度学习法的血液样品脂血、溶血质量监测方法。

背景技术：

1、在目前的血液样品质量控制中，脂血和溶血等质量监测的判定还存在一些问题。

2、对于脂血，它通常指的是血液中的脂肪含量过高，这会影响到血液检测结果的准确性，目前，常用的方法是通过离心法将血清和血细胞分离，然后通过人工对比色卡判断或对血清指数进行生化检测。但是，这样人工比对色卡这种操作存在人为判断个体差异性；再是耗时，而且不能实现实时监测。此外，由于不同脂质的比重不同，也会影响到结果的准确性。血清指数检测虽然对于结果判断准确性方面还不错，但是检测时间长，需要检测试剂有一定的经济成本。

3、对于溶血，它指的是红细胞破裂导致血红蛋白释放到血清中，这也会影响到血液检测结果的准确性。目前，常用的方法是采用肉眼观察或试纸比色法进行判断，这些方法不仅主观性较强，而且无法定量测定。

4、因此，目前血液样品中脂血和溶血等质量的监测判定方法还存在一些不足之处，需要更加准确、快速、简便的方法来进行监测和控制，深度学习法作为一种先进的机器学习方法，可以在这个领域发挥很大的作用。

技术实现思路

1、本发明所要解决的技术问题在于：需要更加准确、快速、简便的方法来进行监测和控制。

2、本发明采用以下技术方案解决上述技术问题：提供了一种基于深度学习法的血液样品脂血、溶血质量监测方法，包括数据收集与标注、预处理与增强、模型选择与训练、模型评估与优化、实时监测、反馈机制，所述数据收集与标注用于收集血液样品图片，并对图片进行标注，所述预处理与增强用于处理收集的图片并增强图片的多样性，所述模型选择与训练用于对标注的数据进行训练，所述模型评估与优化对模型进行检测，保证模型的可靠性，所述实时监测用于对血液样品进行检测，并给出相对应的建议，所述反馈机制用于反馈检测过程中出现的问题。

3、优选的，所述数据收集与标注血液样品图片获取方法为相机拍摄，所述拍摄方法为：将拍摄灯光调整为暗、正常、亮三种模式进行拍摄，每组照片分别拍摄前、后、左、右和俯视图，所述摄像机距离血液样品距离一至，每种拍摄灯光下的照片需要拍摄刚抽取的血液、抽取后一小时、抽取后三小时的照片。

4、优选的，所述数据收集与标注中标注方法为：首先需要将血样样品经大量专业医生和实验人员进行辨认，并对血液样品进行标注，然后将其对应的拍摄的图片进行标注，以指示图像中的血样是否存在脂血或溶血。

5、优选的，所述预处理与增强的图像处理方法为：首先对图像进行预处理将图像进行灰度化处理，将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像，然后根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对rgb三分量进行加权平均能得到较合理的灰度图像，f(i,j)=0.30r(i,j)+0.59g(i,j)+0.11b(i,j)，其中，fk(i,j)(k=1,2,3)为转换后的灰度图像在处的灰度值。

6、优选的，所述预处理与增强中图像的增强方法为：通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置的随机误差，此外，还需要使用灰度插值算法，因为按照这种变换关系进行计算，输出图像的像素可能被映射到输入图像的非整数坐标上，然后将处理过的各个视图的图片进行合成，组成3d图像。

7、优选的，所述模型选择与训练的训练方法为：利用计算机通过卷积神经网络深度学习模型，对标注过的图像进行训练，训练过程中，采用监督学习的方法，利用大量标注数据和未标注数据进行训练，所述监督学习的方法为根据标注数据的的标注进行数据学习，所述未标记数据的训练方法为，将未标记数据与已标记数据相比较，若没有则加注标记，若判断有则人工判断数据是否准确。

8、优选的，所述模型评估与优化的苹果方法为计算机对模型进行评估，采用交叉验证、roc曲线等评估方法，确定模型的准确性和可靠性，并根据评估结果进行优化，所述优化方法为改变模型的学习效率和对模型进行对抗训练。

9、优选的，所述实时监测监测方法为将训练好的模型应用于实时血液样品质量监测。当新的血液样品图像输入时，模型可以自动判断血液样品中是否存在脂血或溶血，并给出相应的结果和建议。

10、优选的，所述反馈机制的反馈方法为：对血液样品进行判断，若血液样品不符合要求便发出警报，提醒检验人员，并显示血液样品不符合的原因，并提示相应的处理方法，所述警报方式包括，视屏显示警报、灯光警报和声音警报。

11、与现有技术相比，本发明提供了一种基于深度学习法的血液样品脂血、溶血质量监测方法，具备以下有益效果：

12、1、该基于深度学习法的血液样品脂血、溶血质量监测方法，传统的血液检测方法通常需要采集血液样本，并使用实验室仪器进行分析，这不仅增加了患者的痛苦，还可能引发交叉感染等风险，而深度学习法可以通过分析图像获取信息，实现非侵入性的脂血和溶血检测，大大提高了时效性和安全性。

13、2、该基于深度学习法的血液样品脂血、溶血质量监测方法，深度学习法可以实现在线监测血液样品的质量，无需像传统方法那样需要将血液样本送入实验室进行离线分析，这不仅可以提高监测的实时性和准确性，还可以大幅缩短样本处理时间，提高检测效率，深度学习法可以通过分析血液样品的图像或光谱等信息，对脂血和溶血进行定量测定，这不仅可以准确反映血液样品的质量状况，还可以为临床诊断和治疗提供更加准确的依据。

14、3、该基于深度学习法的血液样品脂血、溶血质量监测方法，深度学习法可以自动对血液样品进行分类和判别，无需人工干预。这不仅可以提高判别的准确性和一致性，还可以大幅减少人力成本，提高工作效率，深度学习法的可扩展性很强，可以轻松地与其他技术进行集成和融合，可以将深度学习与光谱分析、图像处理等技术相结合，实现更加准确和高效的血液样品质量监测。

技术特征：

1.一种基于深度学习法的血液样品脂血、溶血质量监测方法，包括数据收集与标注（1）、预处理与增强（2）、模型选择与训练（3）、模型评估与优化（4）、实时监测（5）、反馈机制（6），具体步骤为：所述数据收集与标注（1）用于收集血液样品图片，并对图片进行标注，所述预处理与增强（2）用于处理收集的图片并增强图片的多样性，所述模型选择与训练（3）用于对标注的数据进行训练，所述模型评估与优化（4）对模型进行检测，保证模型的可靠性，所述实时监测（5）用于对血液样品进行检测，并给出相对应的建议，所述反馈机制（6）用于反馈检测过程中出现的问题。

2.根据权利要求1所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述数据收集与标注（1）血液样品图片获取方法为相机拍摄，所述拍摄方法为：将拍摄灯光调整为暗、正常、亮三种模式进行拍摄，每组照片分别拍摄前、后、左、右和俯视图，所述摄像机距离血液样品距离一至，每种拍摄灯光下的照片需要拍摄刚抽取的血液、抽取后一小时、抽取后三小时的照片。

3.根据权利要求2所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述数据收集与标注（1）中标注方法为：首先需要将血样样品经大量专业医生和实验人员进行辨认，并对血液样品进行标注，然后将其对应的拍摄的图片进行标注，以指示图像中的血样是否存在脂血或溶血。

4.根据权利要求1所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述预处理与增强（2）的图像处理方法为：首先对图像进行预处理将图像进行灰度化处理，将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像，然后根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对rgb三分量进行加权平均能得到较合理的灰度图像，f(i,j)=0.30r(i,j)+0.59g(i,j)+0.11b(i,j)，其中，fk(i,j)(k=1,2,3)为转换后的灰度图像在（i,j）处的灰度值。

5.根据权利要求4所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述预处理与增强（2）中图像的增强方法为：通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置的随机误差，此外，还需要使用灰度插值算法，因为按照这种变换关系进行计算，输出图像的像素可能被映射到输入图像的非整数坐标上，然后将处理过的各个视图的图片进行合成，组成3d图像。

6.根据权利要求5所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述模型选择与训练（3）的训练方法为：利用计算机通过卷积神经网络（cnn）深度学习模型，对标注过的图像进行训练，训练过程中，采用监督学习的方法，利用大量标注数据和未标注数据进行训练，所述监督学习的方法为根据标注数据的的标注进行数据学习，所述未标记数据的训练方法为，将未标记数据与已标记数据相比较，若没有则加注标记，若判断有则人工判断数据是否准确。

7.根据权利要求1所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述模型评估与优化（4）的苹果方法为计算机对模型进行评估，采用交叉验证、roc曲线等评估方法，确定模型的准确性和可靠性，并根据评估结果进行优化，所述优化方法为改变模型的学习效率和对模型进行对抗训练。

8.根据权利要求7所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述实时监测（5）监测方法为将训练好的模型应用于实时血液样品质量监测。当新的血液样品图像输入时，模型可以自动判断血液样品中是否存在脂血或溶血，并给出相应的结果和建议。

9.根据权利要求7所述的一种基于深度学习法的血液样品脂血、溶血质量监测方法，其特征在于：所述反馈机制（6）的反馈方法为：对血液样品进行判断，若血液样品不符合要求便发出警报，提醒检验人员，并显示血液样品不符合的原因，并提示相应的处理方法，所述警报方式包括，视屏显示警报、灯光警报和声音警报。

技术总结
本发明涉及血液检测技术领域，具体为一种基于深度学习法的血液样品脂血、溶血质量监测方法，包括数据收集与标注、预处理与增强、模型选择与训练、模型评估与优化、实时监测、反馈机制，所述数据收集与标注用于收集血液样品图片，并对图片进行标注，所述预处理与增强用于处理收集的图片并增强图片的多样性，所述模型选择与训练用于对标注的数据进行训练，所述模型评估与优化对模型进行检测，保证模型的可靠性，所述实时监测用于对血液样品进行检测，并给出相对应的建议，所述反馈机制用于反馈检测过程中出现的问题，本发明的优点在于：实现非侵入性的脂血和溶血检测，大大提高了时效性和安全性。

技术研发人员：徐明华,谭思思,许奕,李忠满,邵希涛,刘明
受保护的技术使用者：烟台诚曦智能医疗科技有限公司
技术研发日：
技术公布日：2024/2/8