一种尿沉渣图像的自动识别方法与流程

1.本发明涉及医学图像处理领域，具体涉及一种尿沉渣图像的自动识别方法。


背景技术：

2.尿液有形成分检测是医院常规检查项目之一，能够帮助医生了解患者泌尿系统的变化，对于辅助泌尿系统疾病的诊断、鉴别起着重要作用。尿液中的有形成分(沉渣)有很多种，如红细胞、白细胞、管型、上皮细胞、细菌等，还可能有很多其他的杂质，因此常规的显微镜下观察和人工识别工作量大，操作繁琐，且容易出错。全自动尿液分析仪的出现，使得尿液分析实现自动化，大大减轻了医院检测人员的工作压力，提高了检测效率。由于尿液中有形成分的复杂性，提高识别准确度，提高检测速度，就成为非常紧迫的任务。


技术实现要素：

3.本发明提供一种尿沉渣图像的自动识别方法，目的是快速、准确的对尿沉渣图像进行包含细分类的分类，以给临床提供更多的诊断信息，减轻临床医师的负担。
4.本发明采取的技术方案是：包括下列步骤：
5.步骤一，利用全自动尿沉渣分析仪获得尿液样本图像；
6.步骤二，将全自动尿沉渣分析仪拍摄的样本图像进行分割，得到有形成分图像；
7.步骤三，将有形成分图像进行放大和缩小操作，使得图像大小相同，并进行人工标注，形成训练集；
8.步骤四，构建卷积神经网络，将训练集输入卷积神经网络进行训练，得到网络模型；
9.步骤五，利用网络模型对新的有形成分样本图像进行分类识别，以获得尿沉渣样本的粗分类结果；
10.步骤六，用训练好的神经网络的最后一个卷积层的feature maps作为特征向量，利用svm作为分类器，对各个粗分类分别进行细分类，得到尿沉渣样本的细分类结果。
11.本发明所述步骤一中的全自动尿沉渣分析仪为平面流式尿沉渣分析仪；
12.本发明所述步骤三的有形成分图像的标注方法，对尿沉渣中的有形成分进行粗分类，形成大类，其标签为y＝(α1,α2,...,α
n
)，其中n为粗分类的类别数，由于有的有形成分还可以进行细分类，细分类之间形态具有相似性，为了在同一个网络下进行训练，对于同一大类的细分类再进行标注，细分类标注为α
ij
，其中j＝1,2,...,m,m为细分类的类别数，各α
ij
互不相同，其值介于0～1之间，且各α
ij
值相互之间差别应足够大，由此构成神经网络的训练集；
13.本发明所述步骤四的卷积神经网络，由一系列卷积层组成，中间或夹有池化层，训练集作为输入，误差函数采用交叉熵形式：
14.15.其中yi为有形成分的标签，为前向传播的结果；
16.本发明所述卷积神经网络，采用深度可分离卷积以降低网络复杂度；
17.本发明所述卷积神经网络，采用残差结构和batch normalization以加快训练速度；
18.本发明的有益效果是，通过本发明的步骤设置，不但可以对尿沉渣样本进行粗分类，而且利用同一网络的特征，结合svm分类器，还可以对样本进行准确的细分类，在提高样本分类结果的同时，降低了分类的复杂度，提高了识别速度，满足现代医院大样本数量的需求。
附图说明
19.图1是发明的流程图；
20.图2是正常红细胞的图片；
21.图3是影红细胞的图片；
22.图4是棘形红细胞的图片；
23.图5是其它异形红细胞的图片。
具体实施方式
24.包括下列步骤：
25.步骤一，利用全自动尿沉渣分析仪获得尿液样本图像，其中全自动尿沉渣分析仪为平面流式尿沉渣分析仪；
26.步骤二，将全自动尿沉渣分析仪拍摄的样本图像进行分割，得到有形成分图像；
27.步骤三，将有形成分图像进行放大和缩小操作，使得图像大小相同，并进行人工标注，形成训练集；步骤如下：
28.对尿沉渣中的有形成分进行粗分类，形成大类，其标签为y＝(α1,α2,...,α
n
)，其中n为粗分类的类别数，由于有的有形成分还可以进行细分类，细分类之间形态具有相似性，为了在同一个网络下进行训练，对于同一大类的细分类再进行标注，细分类标注为α
ij
，其中j＝1,2,...,m,m为细分类的类别数，各α
ij
互不相同，其值介于0～1之间，且各α
ij
值相互之间差别应足够大，由此构成神经网络的训练集；
29.例如，对尿沉渣中的有形成分进行粗分类，形成10大类:红细胞、白细胞、白细胞团、鳞状上皮细胞、非鳞状上皮细胞、透明管型、病理管型、杆菌、粘液丝、精子，则红细胞的标签为(1，0，0，0，0，0，0，0，0，0)，白细胞的标签为(0，1，0，0，0，0，0，0，0，0)，依次类推，红细胞可以细分为正常红细胞、小红细胞、棘形红细胞、影红细胞、其他红细胞，则红细胞细分类的标签可以为：(0.2，0，0，0，0，0，0，0，0，0)，(0.4，0，0，0，0，0，0，0，0，0)，(0.6，0，0，0，0，0，0，0，0，0)，(0.7，0，0，0，0，0，0，0，0，0)，(0.8，0，0，0，0，0，0，0，0，0)，管型的细分类标签可类似设置，对有形成分按细分类制作标签，就得到训练集；
30.步骤四，构建卷积神经网络，将训练集输入卷积神经网络进行训练，得到网络模型；所述的深度神经网络，由一系列卷积层组成，中间或夹有池化层，训练集作为输入，误差函数采用交叉熵形式：
[0031][0032]
其中yi为有形成分的标签，为前向传播的结果；
[0033]
所述卷积神经网络，采用深度可分离卷积以降低网络复杂度；
[0034]
所述卷积神经网络，采用残差结构和batch normalization以加快训练速度；
[0035]
步骤五，利用网络模型对新的有形成分样本图像进行分类识别，以获得尿沉渣样本的粗分类结果；
[0036]
步骤六，用训练好的神经网络的最后一个卷积层的feature maps作为特征向量，利用svm作为分类器，对各个粗分类分别进行细分类，得到尿沉渣样本的细分类结果，供临床诊断参考使用。