← 返回 PaperDaily 视觉与图像

14个视频搞定AI尿检？这篇方法先把图拍清楚了

尿检这件事，卡住的往往不是模型，而是显微镜前那一步“得先拍出一张够清楚的图”。这篇工作很朴素：不用昂贵自动对焦，改成手动调焦录视频，再把最清楚的片段拼成全聚焦图，适合基层实验室看门道。

龙哥读论文 阅读 4 查看原文
#AI医疗 #目标检测 #图像恢复 #数据集
14个视频搞定AI尿检？这篇方法先把图拍清楚了
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
尿检这件事，卡住的往往不是模型，而是显微镜前那一步“得先拍出一张够清楚的图”。这篇工作很朴素：不用昂贵自动对焦，改成手动调焦录视频，再把最清楚的片段拼成全聚焦图，适合基层实验室看门道。


原论文信息如下：
论文标题:
Video to All-in-focus Image Reconstruction Algorithm for Automated Microscopic Urinalysis 发表日期:
2026年07月 发表单位:
Birla Institute of Technology and Science Pilani, India; Independent researcher, India; Gurudwara Singh Sabha Charitable Dispensary, Rajpura, India 原文链接:
https://arxiv.org/pdf/2607.13601v1.pdf

从手动调焦到全聚焦图像：一个更简单的尿检自动化方案

Fig. 1
图1：本文提出的基于视频的自动显微尿检流程。它的核心不是“先把模型做得多花哨”，而是先把显微镜下那张图拍对、拍全。尿液样本是多层结构，单一焦平面往往只能看清一部分细胞，剩下的就像躲猫猫一样藏在虚焦里。
这篇工作最有意思的地方在于，它没有硬上昂贵的自动对焦系统，而是把操作流程改成了一个更接地气的版本：边手动调焦，边录视频。视频短则2秒，长则14秒，之后从视频帧里重建一张全聚焦图像，再交给深度学习模型去识别尿沉渣细胞。说白了，就是把“找清楚每一层细胞”这件麻烦事，交给算法来收尾。
这里先把两个基础概念捋顺。所谓全聚焦图像，就是把多张不同清晰层面的图拼成一张“各处都尽量清楚”的图；而深度图则记录每个位置最清晰时来自哪一帧。本文虽然没搞复杂的端到端大模型，但胜在思路朴素：先恢复图像，再做检测。这对基层实验室非常现实，因为很多地方缺的不是算法热情，缺的是自动对焦那套硬件和维护成本。
这类工作最值钱的地方，往往不是“模型多大”，而是把真实业务里最卡脖子的那一步拆掉了：不再依赖昂贵自动对焦，也不要求技师每次都拍出完美静态图。对小型医院和乡镇实验室来说，这种改法比堆参数更有意义。

patch级清晰度测量：如何从视频中找出每个细胞最清晰的瞬间

算法本体并不复杂，但做得很“对症”。因为显微镜视野里，焦点变化在大范围内近似一致，所以本文没有逐像素地去算清晰度，而是按patch（小块）计算。这个选择很务实：尿液样本里真正需要的是“某一块区域在某一帧最清楚”，不是每个像素都来一场学术内卷。
Fig. 2
图2：重建算法的完整步骤。先把每帧切成方形patch，再为每个patch找出最清晰的帧，得到初始深度图；初始结果通常很噪声，块与块之间容易出现不连续；最后通过深度图平滑，把“拼接痕迹”压下去，得到更自然的全聚焦图像。
清晰度怎么量化？本文用的是每个patch的Hessian矩阵的Frobenius范数。Hessian可以理解为“看局部纹理变化有多猛”，在尿液图像上，作者实验发现它比梯度和Laplacian更稳。人话翻译一下：细胞边缘、纹理这些地方，Hessian更容易把“真清楚”和“假锐利”分开。
做法可以概括成三步。第一步，把视频帧按patch切开；第二步，对每个patch计算清晰度，在所有帧里找分数最高的那一帧；第三步，把这帧对应的patch拼回去，形成初始全聚焦图。这个过程对应的深度图，本质上就是“每个位置该抄哪一帧作业”。
    输入：视频帧序列 I1...IN，patch大小 s，阈值 τ
对于每个patch位置 (x, y):
  计算每一帧在该patch上的清晰度 f_n(x, y)
  取清晰度最大的帧索引 d(x, y) = argmax_n f_n(x, y)
  用该帧对应patch重建初始图像
输出：初始深度图 d 和初始全聚焦图
    但问题也很明显：初始深度图往往会“抖”。这是因为背景区域纹理少，清晰度峰值不稳定；就算是有纹理的区域，邻近patch之间也可能因为数值差异，选到不同帧。更麻烦的是，视频里调焦可能不止一轮，邻近patch甚至可能来自不同的调焦周期，结果就是图像边缘看起来像被小刀切过，块效应很明显。

    深度图平滑：消除块效应，让全聚焦图像更自然

    于是本文补了一刀，也就是局部平滑规则。如果某个patch和邻域patch的清晰度差异没有超过阈值τ，就把它们统一成同一帧索引。这个规则很像现实里的“别太较真”，只要邻居已经差不多清楚，就没必要非把它们分到不同帧里，免得重建结果出现锯齿状断裂。
    这里的两个超参数也很朴素：patch大小和阈值τ。patch越小，越能捕捉局部不同深度上的清晰区域；但patch太小又容易让深度图更碎。τ越大，平滑越强，图像越连续；但τ太大又可能把局部最清楚的细节“抹平”。这就是本文的工程味道：不是追求某个神奇公式，而是在清晰度和连续性之间找一个够用的平衡点。
    Table I
    表1：14个视频的属性、超参数设置、初始/最终重建所用帧数，以及各视频中上皮细胞、脓细胞和红细胞的标注数量。可以看到，视频时长、分辨率和细胞分布差异都不小，但作者仍尽量使用接近的一组超参数，重点看方法是否“抗造”。
    从表1能看出一个很现实的事实：这套方法不是在理想实验室里拍“标准样张”，而是在普通诊断环境里录的短视频。视频长度从2秒到14秒不等，分辨率也不统一，甚至还有细胞轻微移动的情况。也就是说，作者并不是在给算法挑最舒服的题，而是在给它上强度。
    这里的关键不在“平滑”两个字有多高级，而在它是否真的解决了尿液图像里最烦人的问题：不同细胞来自不同焦平面。如果不做平滑，拼出来的图会像马赛克；做得太狠，又会把细胞边界糊掉。本文的做法属于中间路线，属于那种不花哨，但很懂业务痛点的设计。

    实验结果：pus细胞检测精准，但红细胞假阳性问题突出

    实验部分的逻辑很清楚：先验证重建图像是否真的更适合检测，再看检测器在全聚焦图像上的表现。这里的检测模型用的是RetinaNet，一种一阶段目标检测模型。它先在公开的尿沉渣图像数据集上训练，再拿到重建后的图像上做推理。这个设计很关键，因为它说明本文的目标不是重新发明检测器，而是把输入图像质量这块短板补齐。
    Table II
    表2：在全聚焦重建图像上的检测性能。脓细胞的精确率很高，达到0.96，F1为0.81；上皮细胞也比较稳，精确率0.94，F1为0.85；红细胞则明显更难，精确率只有0.58，虽然召回率还能到0.71，但假阳性偏多，说明它和虚焦小细胞、上皮细胞核的外观太像了。
    再看图3，效果就更直观了。第一行是人工标注和模型预测，后面几行展示了视频中不同焦平面的变化。可以看到，重建之后的图像确实让细胞边界更清楚，检测框也更容易落到正确位置。对脓细胞和上皮细胞来说，效果是比较干净的；但红细胞还是有不少误报，这不是重建算法“翻车”，而是红细胞本身就小、圆、光滑，和一些虚焦结构天然容易撞脸。
    Fig. 3
    图3：在3个视频上的检测结果与焦距变化示意。绿色框是真值标注，红色框是模型预测。可以看到，重建后的图像让检测器更容易识别大部分目标，但红细胞仍然是最容易“认错亲戚”的类别。
    从结果看，这篇工作的亮点不是“全面吊打”，而是“在很有限的数据和设备条件下，把一个原本很难落地的流程做成了可运行的原型”。作者只用了14个视频做概念验证，数据量不大，但流程闭环是完整的：采视频、重建、检测、统计性能，链条是通的。对工程论文来说，这比空谈一个漂亮指标更实在。
    当然，实验也暴露了边界。视频13里存在细胞轻微移动，重建效果还能接受，但鲁棒性并不算完全稳。更重要的是，当前方法默认细胞在视频时间内基本静止，这对大多数尿液样本可能成立，但一旦样本漂移明显，patch级拼接就会开始闹脾气。换句话说，这套方案适合“静态为主、焦点变化为主”的场景，不是万能视频魔法。

    低成本、易操作：这套方案有望让基层实验室用上AI尿检

    这篇论文最值得肯定的地方，是它把“可用性”放到了第一位。商业尿检设备通常自带自动对焦镜头、摄像头和处理单元，价格高、维护重，更适合大实验室。本文则把采集设备降到很低门槛：智能手机或普通相机适配器就能录视频。对于基层医院、村镇诊所、人员紧张的场景，这种方案比纯学术上的高分更有现实意义。
    如果把这项工作放到更大的背景里看，它其实是在回答一个老问题：自动化医疗影像系统，真正难的往往不是分类器，而是前端采集质量。本文用一个很朴素的思路证明了，哪怕没有高端自动对焦，依然可以通过“视频+重建+检测”做出一个能跑通的流程。这个思路对很多低资源医疗场景都很有启发。
    不过，真正走向产品化，还得补几块拼图。比如更强的细胞跟踪来处理轻微移动，更大规模、多中心的数据验证，以及对红细胞误报的专项优化。否则，系统虽然能演示，到了真实诊断流程里，还是会遇到“看起来能用，实际上还差一口气”的经典问题。

    龙迷三问

    下面是龙哥对于大家可能的一些问题的解答：

    这篇论文到底解决了什么问题？它解决的不是“怎么把检测模型训得更大”，而是“怎么在没有自动对焦系统的情况下，拿到一张足够清楚的尿液显微图”。方法是录视频、重建全聚焦图，再做细胞检测，适合低成本场景。

    文中的“深度图”和“patch”是什么意思？深度图表示每个小区域应该从哪一帧取最清楚的内容；patch就是把整张图切成的小块。本文按patch找最佳帧，比逐像素更省事，也更符合显微镜下大范围焦点近似一致的现实。

    为什么红细胞的效果最差？不是因为重建完全失败，而是红细胞本身太容易和虚焦小目标、上皮细胞核混淆。检测器在这种外观相似的目标上更容易产生假阳性，所以精确率明显低于脓细胞和上皮细胞。

    如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

    龙哥点评

    论文创新性分数：★★★☆☆ 不是那种“换个名字就能上天”的大招，但把视频、全聚焦重建和尿检自动化串成闭环，思路很实用。

    实验合理度：★★★☆☆ 用真实实验室视频做概念验证，流程完整；但样本量只有14个视频，统计力度偏弱。

    学术研究价值：★★★☆☆ 对低资源医疗影像自动化有启发，尤其是“先解决采集质量，再谈识别”的路线值得借鉴。

    稳定性：★★★☆☆ 对静止样本和焦距变化场景可用，但对细胞移动、复杂纹理和不同采集习惯的鲁棒性还需要更多验证。

    适应性以及泛化能力：★★★☆☆ 理论上可迁移到类似显微视频重建任务，但不同样本、不同染色和不同显微系统下要重新调参。

    硬件需求及成本：★★★★☆ 不依赖自动对焦系统，手机或普通相机适配器即可采集，成本优势很明显。

    复现难度：★★★☆☆ 算法本身不复杂，但需要合适的视频采集条件和标注数据；论文给出的数据规模也不大。

    产品化成熟度：★★★☆☆ 适合做原型和小规模试点，离稳定临床产品还差多中心验证、鲁棒跟踪和红细胞误报优化。

    可能的问题：样本量偏小，默认细胞基本静止，红细胞误报较高；更像一个扎实的工程原型，而不是已经闭环的临床系统。


    主要参考文献

    [1] J. A. Simerville, W. C. Maxted, and J. J. Pahira, “Urinalysis: A comprehensive review,” Am Fam Physician., 2005.
    [7] M. Oyaert and J. Delanghe, “Progress in automated urinalysis,” Annals of Laboratory Medicine, 2019.
    [11] S. Pertuz, D. Puig, and M. A. Garcia, “Analysis of focus measure operators for shape-from-focus,” Pattern Recognition, 2013.
    [20] T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar, “Focal loss for dense object detection,” IEEE TPAMI, 2020.
    原文链接：https://arxiv.org/pdf/2607.13601v1.pdf

    *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！  

    end
    欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
    『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
    wechat_helperdianzan
    转发文章 微博 X LinkedIn Facebook
    龙哥读论文 · PaperDaily

    本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。