【技术实现步骤摘要】
基于深度学习的尿液有形成分检测方法
[0001]本专利技术属于图像处理
,具体涉及一种基于深度学习的尿液有形成分检测方法
。
技术介绍
[0002]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
。
[0003]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 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的尿液有形成分检测方法,其特征在于,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
。2.
根据权利要求1所述的基于深度学习的尿液有形成分检测方法,其特征在于,主干网络使用的是
CSP
‑
Darknet53
,并用
GSConv
模块代替
Conv
模块
。3.
根据权利要求1所述的基于深度学习的尿液有形成分检测方法,其特征在于,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
。4.
根据权利要求1所述的基于深度学习的尿液有形成分检测方法,其特征在于,所述
EECA
注意力机制获得方式如下:
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:其中
|t|
odd
表示最接近
t
的奇数;分别将
γ
和
b
设为2...
【专利技术属性】
技术研发人员:李佐勇,沈苏健,刘伟霞,林小明,余兆钗,
申请(专利权)人:闽江学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。