本发明专利技术公开一种基于深度学习的精子存活率分析方法，属于计算机医疗图像处理领域，所述基于深度学习的精子存活率分析方法包括以下步骤：采集精液标本、制备存活率分析涂片，使用显微镜采集图像并进行标注以构成数据集，对训练数据进行预处理，使用迁移学习的方式训练目标检测模型，以及使用模型对临床数据进行诊断。本发明专利技术提供的方法能够快速、准确地对精子存活率进行分析，辅助临床诊断。
【技术实现步骤摘要】
本专利技术涉及计算机医疗图像处理领域，具体为一种基于深度学习的精子存活率分析方法。
技术介绍
1、男性不育的最主要原因即为精子和精液异常。因此，对精液进行分析以及对精子质量进行评估是诊断男性不育的主要手段。临床诊断中存活率检测推荐的方法是采用伊红-苯胺黑染色法人工计数，即由人眼通过显微镜对载有精子的玻片进行观察，这些载玻片均是由专业人员待精液液化之后利用染色剂进行染色之后制成玻片，由专业医师人工针对患者样本中的精子进行评估，可能存在主观性强、不可重复以及工作量大等问题。 随着计算机技术的高速发展，从上世纪80 年代起，就有科研人员提出计算机辅助精液分析（casa）方法，使用现代化的计算机技术，对样本定量地进行分析，克服了人工分析 主观性强的缺点。然而，尽管casa在对精子密度、精子活力等大部分参数的检测上的表现优于人工分析，但是并不适用于精子存活率检测，目前仍需要临床医生人工判别。
2、近年来，随着机器学习和深度学习技术的发展，科研人员也将相关技术应用到casa的改进中，然而，现有研究无论是精子分类或是分割大部分都是基于单个精子，甚至单个精子的头部图像，在实际临床中经常存在精子的重叠以及杂质干扰等问题，专业医生在显微镜中提取单个精子的图像所花费的时间远超过其直接做出诊断的时间，相较直接诊断却并不能获得准确率上的提高，这与 casa 的设计理念相悖。
3、提供一个能够快速、准确地使用计算机进行精子存活率分析的方法将很大程度上减轻医生的工作量，并且能够帮助医生快速诊断病情、确定诊疗方案。
<
p>技术实现思路1、专利技术目的：针对现有技术中存在的问题与不足，本专利技术提供一种基于深度学习的精子存活率分析方法，采用了基于迁移学习的方法，利用模型在与精子数据集相似的细胞数据集上学习到的知识，应用到数据量较少的精子存活率分析数据集上。本专利技术提供的方法可以有效解决临床精子存活率分析过程中耗时长、准确率不高的问题，为计算机辅助精液分析算法研究以及工程应用提供新的思路。
2、技术方案：一种基于深度学习的精子存活率分析方法，包括以下步骤：
3、步骤1：采集精液标本、制备存活率分析涂片，使用显微镜采集图像并进行标注以构成数据集；
4、所述使用显微镜采集精液样本、制备存活率分析图像并进行标注以构成数据集的具体步骤为：
5、步骤100，根据who人类精液实验室检验手册标准，采集男性的精液样本，进行染色后在显微镜 1000 倍放大倍数的亮视野下有顺序、随机、不重复地选择若干区域拍摄图像；
6、步骤101，对于每一张无标签的精子存活率分析图像，由多个专业医生对染色后的头部进行目标检测标注，每个精子头部标注位置标签和是否存活的标签；
7、步骤102，对于步骤101中标注完成的所有有标签精子存活率分析图像，使用随机分组的方式将图像及其标签分为五组，采用五折交叉验证的方式，每次取出其中的一组用做验证集，剩余四组用做训练集，以减小偶然性对实验结果的影响。
8、步骤2：对训练数据进行预处理；
9、所述对训练数据进行预处理的具体步骤为：
10、步骤200，对于训练集中的每一张有标签的精子存活率分析图像，将其分辨率从缩放至，并使用白色填充至，将对应的标签也进行等比例缩放；
11、步骤201，对于训练集中的每一张有标签的精子存活率分析图像，对其进行包括随机裁剪、随机缩放、随机仿射变换、随机光度失真、马赛克增强以及图片混合的数据增强，以扩充实验数据。
12、步骤3：使用迁移学习的方式训练目标检测模型；
13、所述使用迁移学习的方式训练目标检测模型的具体步骤为：
14、步骤300，使用yolox-x在coco数据集上预训练后的官方权重对模型进行初始化，并在livecell细胞分割数据集上训练得到一个新的预训练权重；
15、步骤301，使用步骤300中得到的预训练权重，在步骤201得到的精子存活率分析数据集上进行训练；
16、步骤302，在训练过程中，不断使用验证集来对模型预测结果进行验证，以选择合适的超参数。
17、在训练过程中，定义模型的目标方程：
18、
19、其中、和分别表示模型优化目标，和用于对三项损失函数进行均衡；
20、定义如下：
21、
22、其中为实际的精子存活类别标签，为模型预测的精子存活类别标签，类别标签包括存活和死亡两种；
23、定义如下：
24、
25、其中为实际的精子头部检测框，为模型预测的精子头部检测框；
26、定义如下：
27、
28、其中为实际的精子存活类别标签，为模型预测的精子存活类别标签；在训练的前半段，始终设置为0，后半段训练才加入这部分损失函数来防止模型过拟合。
29、步骤4：使用模型对临床数据进行分析；
30、所述使用模型对临床数据进行分析的具体步骤为：
31、步骤400，将需要分析的无标注临床样本同样按照步骤200所述的方式进行处理，即先将其分辨率从缩放至，并使用白色填充至；
32、步骤401，将填充后的图片进行旋转和翻转，得到8张不同朝向的新样本图片，使用步骤301训练得到的模型对其依次进行预测，将预测结果回复到原始朝向并使用非极大值抑制进行合并，得到最终的精子目标检测结果；
33、步骤402，对同一受检者的不同样本进行分析并进行计数，输出最终的存活率分析结果并判断是否合格。
34、有益效果：与现有技术相比，本专利技术提供的基于深度学习的精子存活率分析方法，使用迁移学习，利用模型在与精子数据集相似的细胞数据集上学习到的知识，应用到数据量较少的精子存活率分析数据集上。本专利技术提供的方法可以有效解决临床精子存活率分析过程中耗时长、准确率不高的问题，为计算机辅助精液分析算法研究以及工程应用提供新的思路。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的精子存活率分析方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤1中使用显微镜采集图像并进行标注以构成数据集的具体步骤为：
3.如权利要求2所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤2中对训练数据进行预处理的具体步骤为：
4.如权利要求3所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤3中使用迁移学习的方式训练目标检测模型的具体步骤为：
5.如权利要求4所述的一种基于深度学习的精子存活率分析方法，其特征在于，定义模型的目标方程：
6.如权利要求5所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤4中使用模型对临床数据进行分析具体步骤为：
【技术特征摘要】
1.一种基于深度学习的精子存活率分析方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤1中使用显微镜采集图像并进行标注以构成数据集的具体步骤为：
3.如权利要求2所述的一种基于深度学习的精子存活率分析方法，其特征在于，所述步骤2中对训练数据进行预处理的具体步骤为：
4....
【专利技术属性】
技术研发人员：李武军，石亮，陈诚，朱来晴，赵晓智，
申请(专利权)人：南京鼓楼医院，
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。