硅藻检验技术规范 基于人工智能技术的自动化方法.docx

1

SF/T0182—2024

硅藻检验技术规范基于人工智能技术的自动化方法

1范围

本文件规定了基于人工智能技术的法医学硅藻检验自动化方法，包括方法原理、仪器设备和检验步骤。

本文件适用于由人工智能模型完成的法医学尸体器官组织、体液及水样硅藻的定性、定量及分类检验。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件：不注日期的引用文件，其必威体育精装版版本(包括所有的修改单)适用于本文件。

GA/T813人体组织器官中硅藻硝酸破机法检验

GA/T1662法庭科学硅藻检验技术规范微波消解-真空抽滤-显微镜法

3术语和定义

下列术语和定义适用于本文件。

3.1

硅藻diatom

具有硅质细胞壁的水生单细胞藻类。注：粒径一般为数微米至数百微米。

4缩略语

下列缩略语适用于本文件。

AUC:曲线下面积值(AreaUndertheCurve)

CPU:中央处理器(CentralProcessingUnit)

CUDA:计算统一设备架构(CoaputeUnifiedDeviceArchitecture)

DPI:每英寸点数(DotsPerInch)

HOG:方向梯度直方图(HistogranofOrientedGradient)

JPG:联合图片组(JointPictureGroup)

LBP:局部二值模式(LocalBinaryPattern)

PNG:便携式网络图像(PortableNetworkGraphics)

TIF:标签图像文件格式(TagInageFileFormat)

5方法原理

通过数字化病理学技术将实体样本底物转换成高分辨率图像数据：应用人工智能算法对数字化图像中的硅藻区域进行自动化识别和科属分类：根据人工智能算法统计的硅藻数量及科属分类结果并结合人工确认，完成法医学硅藻的定性、定量及分类检验工作。

注：实体样本底物包括组织、体液及水样涂片以及滤膜等。

6仪器设备

3

SF/T0182—2024

d)获取的图像样本可进行像素大小调整，使图像大小符合人工智能模型的输入规格，可选择对图像样本像素进行预处理(如均一化和灰度化等),用于降低同一数据源中各图像样本之间的像素差异性，提高模型的泛化能力。

数据库图像样本

.1在数据库单张图像样本中，目标硅藻区域与实际完整硅藻面积比例应不低于30%。

.2数据库图像样本可根据背景及不同科属硅藻分成多组数据集，每组数据集包含原始图像应不少于5000张，且每张图像样本拥有相应分组标签信息。

.3各组数据集图像数量应将组间数量差距保持在20%以内。

7.1.2人工智能模型训练训练目的

人工智能模型的训练目的在于针对特定(如识别和分类)任务利用数据库中的大量数据样本对智能化模型进行模式特征学习。经学习后的模型可用于训练数据以外的同类型、同分布数据的准确、客观预测。人工智能模型的特定任务取决于数据库的性质。其中，识别数据集主要用于训练将硅藻与背景杂质相区分的模型架构，而分类数据集则用于训练区分不同科属硅藻的模型架构。

训练方法

.1在基于端到端的模型训练中，所采用的模型架构(如深度学习模型)直接从图像样本中提取相关特征信息用于模型内部参数的拟合和校正。

.2基于分治法的模型训练应借助额外方法先提取图像中的特征信息，形成向量数据后才可用于模型(如一般机器学习模型)内部参数的拟合和校正。

.3基于端到端的模型训练

基于端到端的模型训练应在符合6.2规定的数字计算机上完成，具体如下。

a)采用的人工智能模型算法应涉及卷积人工神经网络、目标识别算法以及其他可用于图像特征自动化提取的模型架构。

b)应将数据库图像样本按适当比例设置训练、验证和测试样本集。其中：

1)训练样本集、验证样本集和测试样本集中的数据分布应保持一致；

2)训练样本集和验证样本集分别用于模型的训练和训练过程中的模型效能监测和评估，测试样本集则用于模型训练完毕后的性能泛化指标评价；

3)图像样本来自于不同个体或实体底物样本，为防止