Page 13 - 南京医科大学自然版

第44卷第9期 张瀚文，曹维娟，罗刚银，等. 基于改进型U⁃Net的变色油墨血浆判别模型［J］.
2024年9月 南京医科大学学报（自然科学版），2024，44（9）：1179-1189 ·1185 ·

A C 12 000 E 500
Pixel distribution quantity 8 000 Pixel distribution quantity 350
450
10 000
400
300
6 000
250
200
4 000
150
2 000
（0.053，3） （0.055，12）
（0.049，1）
50
0
0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 0.20 0.22 0.24 100 0 0.048 0.049 0.050 0.051 0.052 0.053 0.054 0.055 0.056
Normalization of H⁃value
Normalization of H⁃value
B D 12 000 1 000
Pixel distribution quantity 8 000 Pixel distribution quantity F 800 （0.037，） 1 （0.043，） 2 （0.047，） 2 （0.049，） 5 16） （0.051， 30） （0.053， 76） （0.063，
10 000
600
6 000
400
4 000
2 000
0
0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 0.20 0.22 0.24 200 0 0.038 0.040 0.042 0.044 0.046 0.048 0.050 0.052 0.054 0.056
0.036
Normalization of H⁃value Normalization of H⁃value
A：Suspected non⁃hemolytic sample. B：Suspected hemolytic sample. C：Histogram of the statistical distribution of pixel H values in the color space
of suspected non⁃hemolytic plasma HSV. D：Histogram of the statistical distribution of pixel H values in the color space of suspected hemolytic plasma
HSV. E：Figure C enlarged（x=0.129）. F：Figure D enlarged（x=0.129）.
图8 临界疑似溶血/疑似非溶血血浆对比分布直方图
Figure 8 Histogram of the distribution of critical hemolytic/non⁃hemolytic plasma comparison

Hue 体优化，对应每个阶段逐一提升计算效率，语义图
像与CCI色彩空间衔接，可快速实现血浆定性判别。
Saturation
1.0 a2 2.1 通道选择结果
a1
0.9 b2 针对CCI几何模型中所捕获的像素点分别进行
0.8
b1
0.7 全通道、H通道、S通道、V通道的标准方差（standard
0.6
0.5 c2 d2 deviation，SD）计算，以此为基础分别建立改进型 U⁃
0.4 c1 Value
0.3 Net⁃CCI⁃SD 全通道（all channels of improved U⁃Net⁃
d1
0.2
0.1 CCI standard deviation，UCSALL）模型、改进型 U⁃Net
0
-0.1 1.0 ⁃CCI⁃SD H 通道（H channel of improved U⁃Net⁃CCI
-0.5 0.5
0 0 standard deviation，UCSH）模型、改进型 U⁃Net⁃CCI⁃
0.5 -0.5
0 -1.0 SD S 通道（S channel of improved U⁃Net⁃CCI standard
deviation , UCSS）模型和改进型U⁃Net⁃CCI⁃SD V 通道
图9 变色油墨几何模型区域
Figure 9 Color changing ink geometric model area （V channel of improved U⁃Net⁃CCI standard deviation，
UCSV）模型的血浆判别算法。4种判别模型的训练
阴性（false negative），样本的真实类别是阳性，但是 集和测试集综合评价指标，透过混淆矩阵能展现出
模型将其识别为阴性。FP 表示假阳性（false posi⁃ 算法模型的综合能力。
tive），样本的真实类别是阴性，但是模型将其识别为 结合表 1 可知，UCSS 模型训练集的 Acc 达到了
阳性。TN表示真阴性（true negative），样本的真实类 99.52%，且运行时间最短（586.38 ms）。其余 3 个模
别是阴性，并且模型将其识别为阴性。 型的训练集 Acc 也全部在 90%以上，UCSS 模型与
UCSALL、UCSH、UCSV 3种模型的Acc梯度差值依次
2 结 果
为 0.33%、0.81%和 6.46%。测试集中，UCSS 模型以
本研究提出一种基于改进型 U⁃Net 和 CCI 的人 99.03%最优，与 UCSALL、UCSH、UCSV 3 种模型的
血浆判别网络模型（图 10）。采用编/解码器形式进 Acc 梯度差值依次为 4.34%、5.79%和 11.59%，其中
行特征学习，引入轻量化模块对 U⁃Net 网络进行整 UCSV 模型 Acc 降至 87.44%，与 UCSS 模型 Acc 梯度