本發(fā)明涉及圖像處理，尤其涉及一種真菌藥敏板圖像處理和分類方法。
背景技術(shù)：
1、近年來，由于移植、腫瘤、免疫缺陷等機體抵抗力下降病人增多，以及廣譜抗菌藥物廣泛應用，導致機體菌群失調(diào)，臨床真菌感染呈上升趨勢。臨床常見真菌感染包括念珠菌屬、曲霉菌、隱球菌等，可局限于一個器官或呈多器官播散性感染，嚴重的侵襲性真菌感染可侵襲心、肺、血液、胃腸等人體各個器官和系統(tǒng)，危及患者生命。因此，抗真菌感染診斷和治療成為研究熱點之一，特別是侵襲性真菌感染日益引起人們的關注。而念珠菌病和新型隱球菌病又是最常見的兩種真菌病。念珠菌病主要是白色念珠菌引起的急性、亞急性或慢性感染，常侵犯皮膚、粘膜，也可引起內(nèi)臟或全身感染。臨床癥狀錯綜復雜，急緩不一。當病人出現(xiàn)念珠菌感染癥狀時，醫(yī)護人員多會使用兩性霉素b、氟康唑、卡泊芬凈等藥物為病人治療。新型隱球菌病可侵犯人和動物，一般為外源性感染，也可能為內(nèi)源性感染，對人類而言，它通常是條件致病。當人類機體免疫功能下降時新型隱球菌可向全身播散，主要侵犯中樞神經(jīng)系統(tǒng)，發(fā)生腦膜炎、腦炎、腦肉芽腫等，此外可侵入骨骼、肌肉、淋巴結(jié)、皮膚粘膜引起慢性炎癥和膿腫。醫(yī)護人員廣泛使用的治療藥物有兩性霉素b、5-氟胞嘧啶、氟康唑、伊曲康唑、伏立康唑等。隨著新的抗真菌藥物以及臨床真菌耐藥性的不斷出現(xiàn)，經(jīng)驗性抗真菌治療越來越困難，迫切需要進行真菌藥物敏感試驗指導臨床用藥、預后判斷以及評價新藥的療效?？拐婢幬锩舾性囼灧椒ê芏?，其中微量液體稀釋法具有簡便易行，結(jié)果敏感的優(yōu)點，而受到大多數(shù)臨床工作者的歡迎。然而，真菌藥敏板人工判讀藥敏試驗終點費事費力，對人員專業(yè)技能要求高，判讀標準極大影響檢測結(jié)果的準確性，迫切需要一種標準化的智能判讀系統(tǒng)，才能使不同實驗室的檢測結(jié)果具有可比性。
2、隨著神經(jīng)網(wǎng)絡應用的成熟，利用其進行分類識別的效率大大提高，因此，如何將神經(jīng)網(wǎng)絡應用于真菌藥敏板圖像處理和分類成了當前的重要問題。傳統(tǒng)的圖像處理方法通常需要大量的手工特征提取和規(guī)則定義，難以適應大規(guī)模數(shù)據(jù)的處理。神經(jīng)網(wǎng)絡在圖像處理方面具有高效率、自動化和智能化、高精度和準確性等優(yōu)勢。神經(jīng)網(wǎng)絡可自動從圖像中學習特征，通過大量的訓練數(shù)據(jù)和優(yōu)化算法，能夠識別和區(qū)分圖像中的復雜模式和特征，通過多個層次進行特征提取，有助于更全面地理解圖像，使得圖像分析結(jié)果更加準確和可靠。將人工智能應用到真菌藥敏板結(jié)果的判讀大大提高了結(jié)果的準確性，同時可以節(jié)約時間提高檢測效率。
技術(shù)實現(xiàn)思路
1、發(fā)明目的：針對上述現(xiàn)有技術(shù)，提出一種真菌藥敏板圖像處理和分類方法；
2、技術(shù)方案：一種真菌藥敏板圖像處理和分類方法，包括以下步驟：
3、1)圖像切割：獲取真菌藥敏板圖像，將真菌藥敏板圖像均勻切割成若干個子圖；
4、2)分類預測：對于步驟1)中的每個子圖，采用預訓練的resnet-34模型進行圖像分類，預訓練的resnet-34模型會返回每個子圖的分類標簽，其中每個分類標簽代表一個類別；
5、3)分類標簽排列：根據(jù)子圖在步驟1)中真菌藥敏板圖像中的位置，將每個子圖的分類標簽排列成一個矩陣，得到分類標簽矩陣；
6、4)01矩陣構(gòu)建：根據(jù)排列好的分類標簽矩陣，構(gòu)建一個01矩陣，其中01矩陣中的每個元素表示對應真菌藥敏板上孔的分類結(jié)果，其中01矩陣中的0表示陰性，1表示陽性。
7、優(yōu)選的，步驟1)中，均勻切割成的若干個子圖分別對應真菌藥敏板上的孔，且滿足：
8、wsub＝wtotal/12
9、hsub＝htotal/8
10、其中wtotal和htotal分別是真菌藥敏板圖像的寬度和高度，wsub和hsub分別是子圖的寬度和高度。
11、優(yōu)選的，步驟2)中，
12、resnet-34模型包括多個殘差塊，每個殘差塊包括兩個分支：主要分支和跳躍分支，殘差塊的輸出為主要分支輸出與跳躍分支輸出的元素級加法：
13、xl+1＝xl+f(xl；θl)
14、其中xl+1代表resnet-34模型中第l+1層卷積層的輸出，xl代表resnet-34模型中第l層卷積層的輸出，θl表示第l層卷積層的參數(shù)，f(.)為函數(shù)；
15、resnet-34模型的深層網(wǎng)絡的輸出xl表示為：
16、
17、其中，xi表示第i個殘差塊，θi表示第i個殘差塊的參數(shù)，l＝34為卷積層數(shù)；
18、resnet-34模型在imagenet數(shù)據(jù)集上進行有監(jiān)督預訓練，并且在真菌藥敏板圖像數(shù)據(jù)集上進行微調(diào)；微調(diào)時將resnet-34最后一層全連接層的輸出類別數(shù)調(diào)整為2，只訓練模型該層的參數(shù)，凍結(jié)其余模型參數(shù)；訓練和微調(diào)均采用交叉熵損失函數(shù)lce：
19、
20、其中-log(pi)是resnet-34模型輸出的概率，yi是真實標簽，c為參數(shù)。。
21、有益效果：在處理真菌藥敏板圖像時具有高效性和精確性，處理一張圖像平均耗時0.2s，液板孔陽性陰性分類準確率高于95％。
1.一種真菌藥敏板圖像處理和分類方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的一種真菌藥敏板圖像處理和分類方法，其特征在于，步驟1)中，均勻切割成的若干個子圖分別對應真菌藥敏板上的孔，且滿足：
3.如權(quán)利要求2所述的一種真菌藥敏板圖像處理和分類方法，其特征在于，步驟2)中，