發(fā)布時間：2020-05-01 02:49

【摘要】：作為檢驗科常規(guī)的檢驗項目,糞便常規(guī)檢查在臨床檢驗中具有重要的地位。目前,糞便隱血檢測仍然采用人工處理加讀卡的方式,該方式具有效率低和容易造成污染等缺點。隨著智能分類技術(shù)的發(fā)展,醫(yī)學(xué)檢測自動化已經(jīng)成為現(xiàn)代醫(yī)學(xué)檢驗的發(fā)展趨勢。本文對糞便隱血檢測試劑卡的自動分類技術(shù)進行研究。依托于全自動糞便常規(guī)分析儀,通過攝像頭獲取糞便隱血檢測試劑卡圖像,將圖像處理技術(shù)和機器學(xué)習(xí)技術(shù)相結(jié)合用于試劑卡的自動分類。本文的主要工作如下:首先,對糞便隱血檢測試劑卡的光學(xué)圖像進行人工標記,根據(jù)反應(yīng)線(T線)顏色淺深將其標記為陰性、弱陽性或陽性以及一個[0,10]之間的分數(shù)。然后對圖像進行預(yù)處理。試劑卡在實際使用過程中存在被糞便污染的情況,通過對多種圖像分割方法進行對比,本文采用閾值和頻率域相結(jié)合的方式對光學(xué)圖像進行分割,并且使用LAB顏色空間模型進行輔助驗證,準確提取出試劑卡圖像中的反應(yīng)區(qū)域;其次,研究了試劑卡反應(yīng)區(qū)的特征提取和選擇,通過對試劑卡反應(yīng)區(qū)的圖像和基本特征進行分析,得出單一的圖像基本特征不符合直接作為試劑卡的分類依據(jù),故本文提出將紋理特征和顏色特征相結(jié)合的特征作為試劑卡分類的依據(jù)。最后,對支持向量機的多分類算法和回歸算法進行了討論。將提取到的特征向量進行處理,分成訓(xùn)練集和測試集。將訓(xùn)練集送入支持向量機中訓(xùn)練調(diào)整參數(shù),并通過驗證集對訓(xùn)練的模型進行驗證,得到參數(shù)最優(yōu)的分類模型。使用測試集對得到的分類模型進行測試得到最終實驗結(jié)果。提出使用回歸模型對數(shù)據(jù)進行打分,得到更精確的分類結(jié)果,輔助醫(yī)生更準確的判斷和掌握病人的實際情況。本文研究的特點在于需要自動分類的糞便隱血檢測試劑卡光學(xué)圖像背景復(fù)雜,且試劑卡分類為多分類問題,分類邊界處無明顯界限,由于污染的情況導(dǎo)致圖像無明顯可區(qū)分的特征。實驗結(jié)果表明,本文的方法對糞便隱血檢測試劑卡光學(xué)圖像的自動分類準確率達到了98.4%,單卡平均檢測速度為0.69 s,滿足了臨床檢驗的要求。目前該技術(shù)已在國內(nèi)部分醫(yī)院投入臨床使用階段。
【圖文】：

糞便隱血檢測器材

試劑卡檢測結(jié)果圖
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;R446.13

【參考文獻】

相關(guān)期刊論文 前10條

1 董健;鄧國輝;李金武;;基于二維傅里葉變換實現(xiàn)圖像變換的研究[J];福建電腦;2015年09期

2 馬飛;馬駿龍;車洪智;王成彬;;自動糞便檢驗儀檢測糞便隱血的應(yīng)用價值研究[J];人民軍醫(yī);2015年04期

3 牛曉太;;基于KNN算法和10折交叉驗證法的支持向量選取算法[J];華中師范大學(xué)學(xué)報(自然科學(xué)版);2014年03期

4 計仁華;丁士標;李召東;;婦科聯(lián)檢試劑卡臨床應(yīng)用評價[J];浙江中西醫(yī)結(jié)合雜志;2013年09期

5 楊瑞霞;凌蕓;馬蔡昀;蔣理;;糞轉(zhuǎn)鐵蛋白檢測的臨床應(yīng)用[J];南京醫(yī)科大學(xué)學(xué)報(自然科學(xué)版);2012年08期

6 胡穎;王東;;基于MATLAB的圖像預(yù)處理技術(shù)研究[J];遼寧師專學(xué)報(自然科學(xué)版);2012年02期

7 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

8 胡春海;張偉濤;周倩;程淑紅;;基于多尺度分析的歸一化割圖像分割算法[J];燕山大學(xué)學(xué)報;2012年01期

9 劉磊;;多類分類支持向量機方法研究[J];福建電腦;2010年08期

10 許凱;秦昆;黃伯和;杜瀊;;基于云模型的圖像區(qū)域分割方法[J];中國圖象圖形學(xué)報;2010年05期

相關(guān)碩士學(xué)位論文 前9條

1 鐘亞;白帶顯微圖像中白細胞自動識別算法技術(shù)的研究[D];電子科技大學(xué);2018年

2 張正龍;顯微糞便醫(yī)學(xué)圖像中寄生蟲卵的自動識別及分類技術(shù)研究[D];電子科技大學(xué);2017年

3 陳培俊;基于圖像處理和模式分類的茶葉雜質(zhì)識別研究[D];南京航空航天大學(xué);2014年

4 馬文華;基于多特征融合的車型分類方法研究[D];北京交通大學(xué);2014年

5 范永東;模型選擇中的交叉驗證方法綜述[D];山西大學(xué);2013年

6 李順才;基于底層特征和SVM的圖像分類[D];河南大學(xué);2013年

7 蔡磊;SVM及其擴展算法在圖像處理中的應(yīng)用研究[D];西安石油大學(xué);2010年

8 李海麗;基于支持向量機的廣義預(yù)測控制算法研究[D];華北電力大學(xué)（河北）;2009年

9 陳棟梁;支持向量機訓(xùn)練算法研究[D];合肥工業(yè)大學(xué);2007年

，

本文編號：2646473