基于深度学习的尿液有形成分检测方法技术

本发明专利技术涉及一种基于深度学习的尿液有形成分检测方法

【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
。
[0004]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
。
[0005]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
％
。
[0006]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
。
[0007]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

[0008]本专利技术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
。
[0009]为实现上述目的，本专利技术的技术方案是：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
。
[0010]在本专利技术一实施例中，主干网络使用的是
CSP
‑
Darknet53
，并用
GSConv
模块代替
Conv
模块
。
[0011]在本专利技术一实施例中，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
。
[0012]在本专利技术一实施例本文档来自技高网...

【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：