基于深度学习的尿液有形成分检测方法

本发明属于图像处理，具体涉及一种基于深度学习的尿液有形成分检测方法。

背景技术：

1、尿液有形成分检查是一项非常经典的检验项目，具有数百年的发展历史，是最早出现的一种临床检验技术手段。它和尿液理学检查、尿液化学检查共同构成尿液常规分析的全部内容，并与其相辅相成，互相弥补和互相印证。但应指出有形成分检查对于临床医生了解泌尿系统各个部位的变化，对辅助泌尿系统疾病的定位诊断、鉴别诊断和预后判断更具有明显的应用价值。但现阶段尿液有形成分检测大部分仍依靠传统的人工镜检，尿液有形成分的检测准确性取决于医务人员的临床经验和专业性。效率较低，耗费人工。同时，由于有形成分的自身图像特点，它也容易受到视觉偏差、设备故障等外部因素的影响。

2、1991年美国nccls提出了“尿液常规分析”的推荐标准(gp-p)，2000年中国卫生部临检中心也提出了“尿液物理学、化学及沉渣分析”标准文件，因此中国的尿液有行成分分析仪研发始于2000年初，在2000年前出现的戴西斯(diasys)尿液有形成分数字影像拍摄系统则开启了数字图像尿液有形成分分析的先例，2002年之后国内公司开始研制具有自动识别能力的智能化数字图像尿液有形成分分析系统，开启这一技术在尿液有形成分分析领域中国际间的领先地位。随后几年中由于计算机技术、数字图像技术等相关技术的迅速发展，采用数字图像技术为基本原理的仪器则进入了飞速发展的时代。

3、2010年以前，许多基于机器学习方法的尿液有形成分检测方法被开发出来。ranzato等用高斯混合生成模型对每个样本进行分类；liang等使用局部上下文感知和svm结合构建分类器，将准确率提高到93.72％；liu等将遗传算法引入bp神经网络对网络权值和阈值进行优化；ji等提出区域特征算法(afa)解决了cnn会削弱输入图像面积特征的缺点。虽然传统的机器学习方法取得了优异的性能，但它们只能检测有限类型的尿液有形成分。

4、随着深度学习的发展，现在提出的卷积神经网络，递归神经网络等，进一步改善了神经网络的性能，使其在特定领域得以更好的应对具体问题，体现出了其强大的能力。ji等提出了一种基于半监督学习的尿沉渣图像分类方法,设计了一个重新参数化网络——us-repnet，以提取尿沉渣图像的复杂特征。zhang等使用预训练的fasterr-cnn模型检测尿液沉积物图像中的红细胞和白细胞两类细胞，精确度达到91.4％。yan等人将双向上下文传播网络bcpnet用于尿液沉积物颗粒检测，提高了模型的定位和分类能力。zhang等提出了一种基于多视角深度残差学习的多视角尿细胞识别方法，并引入深度可分离卷积来减少网络参数。ji等提出区域特征算法(afa)解决了cnn会削弱输入图像面积特征的缺点，使用30万张尿沉渣图像进行训练的网络模型可以快速准确地识别10类尿沉渣图像，达到97％的准确率。liang等基于ssd、pvanet和faster r-cnn模型，以端到端的方式识别尿液沉积物颗粒。在7种尿沉渣颗粒中，map达到84.1％。

5、基于深度学习的方法在尿液有形成分检测上具有较好的表现，但在实际应用场景中还存在难题：尿液有形成分图像的低对比度和弱边缘特征仍使得特征提取相对困难，而且现有模型复杂度较高，在模型优化方面还存在提升空间。

6、尿液有形成分检测的难点：(1)图像背景噪声大和弱边缘特征使得特征的分割和提取变得更加困难。(2)尿液有形成分图像中的目标物与图片相比尺寸小。对模型的小尺度目标检测能力需求较高。(3)不同细胞成分之间特征差异较小，增加了识别分类的难度。

技术实现思路

1、本发明的目的在于针对由于尿液有形成分图像样本的边缘特征较弱，模型对于其边缘特征的提取能力较弱的问题，提供一种基于深度学习的尿液有形成分检测方法，提高了尿液有形成分检测精度，同时降低了模型复杂度。

2、为实现上述目的，本发明的技术方案是：一种基于深度学习的尿液有形成分检测方法，首先，在eca的全局平均池化特征聚合通道基础上，增加全局最大池化特征聚合通道，提出eeca注意力机制，并在主干网络和颈部网络中加入eeca注意力机制，增强模型对边缘特征的提取能力；其次，在yolov5的基础上，在颈部网络中使用vov-gscsp模块代替c3模块，在主干网络和颈部网络中用gsconv模块代替conv模块，在颈部网络形成slim-neck结构。

3、在本发明一实施例中，主干网络使用的是csp-darknet53，并用gsconv模块代替conv模块。

4、在本发明一实施例中，在颈部网络中，在gsconv的基础上应用one-shot聚合方法设计的vov-gscsp和gsconv在颈部网络中分别替换的c3模块和conv模块，组合成slim-neck结构。

5、在本发明一实施例中，所述eeca注意力机制获得方式如下：

6、eca通过全局平均池化gap获得特征，通过大小为k的一维卷积来生成通道权重，其中k是通过通道数c的值自适应地确定的；k的计算公式如下：

7、

8、其中|t|odd表示最接近t的奇数；分别将γ和b设为2和1；显然，通过映射关系ψ，高维通道具有范围更大的相互作用，而低维通道通过使用非线性映射进行范围更小的相互作用；让不同尺寸的通道特征图得到适合该特征图通道大小的跨通道信息交互；

9、在eca的全局平均池化gap特征聚合通道基础上增加全局最大池化特征聚合通道，以保留更多的图像边缘纹理信息；具体地，将输入的大小为h×w×c的特征图通过全局平均池化和全局最大池化获得不同的聚合特征，分别执行大小为k的快速一维卷积来生成大小为1×1×c的通道权重，经过sigmoid激活函数后进行相乘，再乘以原特征图得到输出结果。

10、在本发明一实施例中，该方法采用损失函数由三个部分组成，具体如下：

11、(1)object score损失

12、在检测对象时候模型使用的是能够判断目标框是否框中对象的二分类交叉熵损失，其中o为标签向量，t为预测向量，n为样本总数，i为样本标签：

13、

14、(2)class probability score损失

15、在检测类别时候，与object score一样，模型使用的是能够判断目标框是否框中正确类别的二分类交叉熵损失，其中o为标签向量，t为预测向量，n为样本总数，i为样本标签：

16、

17、(3)bounding box损失

18、在检测预测框能否够紧凑地框选中目标对象时，模型使用的ciou loss：

19、

20、

21、

22、其中，iou为预测框和真实框之间的重叠区域与预测框和真实框所包含的总区域的比值；d2为预测框与目标框中心点距离，dc为最小外接矩形的对角线距离；w和h分别是预测框的宽和高，wgt和hgt分别是真实框的宽和高。

23、相较于现有技术，本发明具有以下有益效果：本发明通过分析特征提取存在的问题，结合尿液有形成分图像的特点，我们在eca注意力机制的基础上增加最大池化特征提取通道，增强注意力机制对弱边缘特征图像的特征提取能力。发明了eeca注意力机制。在预测头模块以及主干网络中，我们都加入了eeca注意力机制模块，以此来优化模型。通过对比试验的数据表明，eeca相比于其他例如eca、se、cbam、ca等优秀的注意力机制，对于模型的提升是最优的。在主干网络将conv替换为gsconv，颈部网络同时引入gsconv和vov-gscsp，形成slim-neck结构，减少冗余的重复信息，提升注意力机制效果，降低模型复杂度同时保持精度。