成果簡介： 主要功能和應用領域： 本技術可實現人糞便樣本顯微鏡檢有型成分圖像的自動識別與分類，利用計算機圖像處理、模式識別及人工智能的理論與技術，對顯微鏡下拍攝到的糞便樣本圖像進行研究，通過對各種有型成分形態和顏色信息等進行特征匹配與分類計數，分別標示出紅細胞、白細胞、蟲卵和真菌孢子等不同種類的有型成分，從而達到在線自動識別有型成分的目的，作為醫院臨床診斷的依據。該技術可擴展應用于醫院尿液、白帶、腦脊液、胸腹水、胃液、精液等常規檢查，并可用于脫落細胞學的癌及癌前病變檢測及分析。 特色及先進性： 1）復雜背景環境下的自動識別。采用自適應雙閉值分割算法進行粗分割，提取出ROI區域中的單個細胞或細胞群作為分析目標，細胞圖像的精細分割將在每個ROI區域里完成，極大地減少了數據運算量。 2）針對形態各異和邊緣模糊圖像的精準分割。針對有型成分的顯微生物圖像特點，去除邊界拓撲結構復雜、細胞各組成區域內灰度不均勻以及成像易受噪聲干擾等因素的影響，基于Chan一Vese模型，提出幾何活動輪廓模型方法，使用幾個獨立的水平集進行有型成分圖像的分割，與傳統分割方法對比準確率提升30%。 3）針對種類繁多的神經網絡集成識別。基于普通神經網絡泛化能力不高的問題，提出利用有限個神經網絡進行集成并將其結果進行合成，顯著的提高整個分類學習器的泛化能力，提高了整個系統的識別能力。 4）采用重疊分離算法精準分類。有型成分分離、細胞個數的準確讀取決定了整個系統的精準程度。通過尋找到合適的分離點并構建分離線，實現重疊區域的快速合理分離，從而將粘連、重疊的細胞分離開來，并進行準確計數。 技術指標： 有型成分 漏檢率 誤檢率 白細胞 5% 15% 膿球 20% 30% 吞噬細胞 20% 30% 紅細胞 5% 15% 孢子 15% 25% 夏科雷登結晶 10% 10% 寄生蟲 5% 15% 脂肪球 10% 15% 單張圖片檢測時間：＜0.5 s 關鍵問題和實施效果 現今國內大多數醫院和研究單位對生物細胞或微生物病菌等檢測還是采用人工處理的方式，即將樣品制成涂片，在顯微鏡下觀察并根據大小、形狀等特征進行分類計數以得到數據結果，醫務人員再通過這些數據結果憑借自身的知識和經驗診斷病癥或得出研究數據。該技術能夠實現樣本顯微鏡檢有型成分的自動識別，滿足了臨床開展常規及特殊檢測需要，使得生物檢測在自動化、無異味、無危險性的情況下進行，提高了檢測效率，改善工作環境，保護工作人員，降低檢測成本和檢測時間，提高在國際市場的競爭力，有利于醫療檢測行業的智能化發展。該技術可識別的部分生物細胞圖像如下圖所示。