[发明专利]一种基于Trimmed SSD的尿沉渣有形成分自动识别方法

说明书

本发明公开了一种基于Trimmed SSD的尿沉渣有形成分自动识别方法，首先，由基础卷积网络和辅助卷积网络两部分构成的特征提取网络提取局部细节特征和全局语义特征；接着，目标识别网络从特征提取网络的不同层中选取三个特征图作为输入，通过三组卷积滤波后得到全部类别的置信度和矩形框坐标；最后，经过预测结果筛选模块后筛选出置信度较高的少数矩形框即可得到最终的预测结果。该方法构建了Trimmed SSD全卷积识别网络，避免了精确的区域分割阶段和手工特征提取过程，针对尿沉渣有形成分识别任务以一种端到端的有监督方式自主地进行特征提取、分类和定位的学习。

技术领域

本发明属于医学图像处理领域，一种基于Trimmed SSD的尿沉渣有形成分自动识别方法。

背景技术

显微图像的尿沉渣生物颗粒检测是医学实验室中最常见的筛查诊断实验之一。它能够辅助医师诊断肾脏和尿路等方面的疾病，也是监测身体健康状况的重要指标。传统方法上，经过培训的技师通过肉眼观测统计各种尿沉渣有形成分的数目。这种人工尿沉渣检测方法虽然是有效的，但耗时耗力并且存在一定的主观性，不适用于大批量的实验室操作。

人工尿沉渣有形成分检测中存在的问题激发了大量尿显微图像自动化分析方法的产生。伴随计算机视觉和图像处理领域相关技术的发展，已有的自动化方法几乎都采用了多阶段的识别流程，即首先基于精确的目标分割生成多个候选区域，然后基于开发人员的工作经验和对问题的分析为候选区域全面提取多种有效的手工特征，最后还需选择并训练合适的分类器以完成最终的分类。因此，这些方法的表现很大程度上取决于各个阶段的有效实现和紧密配合，尤其是目标区域分割的精确性和手工特征设计的有效性。然而，尿沉渣显微图像的复杂特点使得精确的区域分割相当困难，同时这又进一步导致了提取的手工特征不具鉴别性，影响最终分类的性能。因此，近年来开发人员对于更好的尿沉渣有形成分自动识别方案的需求也愈加迫切。

与此同时，具备卓越表现的深度卷积神经网络(CNN)自复兴以来就受到了广泛的关注。当前，计算机视觉领域的很多最先进算法都采用了神经网络相关的深度学习技术。尤其在自然对象检测领域，以卷积神经网络为基础的检测框架不断改进，在速度和精度上已经能够满足很多的应用需求。但是，目前还没有看到其在尿沉渣有形成分自动识别领域的研究和尝试。

发明内容

本发明提供了一种基于Trimmed SSD的尿沉渣有形成分自动识别方法，将尿沉渣有形成分识别作为物体的检测问题，通过构建全卷积的Trimmed SSD识别框架，避免了精确的区域分割阶段和手工特征提取过程，针对尿沉渣有形成分识别任务以一种端到端的有监督方式自主地进行特征提取、分类和定位的学习。

一种基于Trimmed SSD的尿沉渣有形成分自动识别方法，包括以下步骤：

步骤1：构建尿沉渣图像训练集和测试集；

采集尿沉渣显微图像，对尿沉渣显微图像中的尿沉渣有形成分进行标注操作，随机选取经过标注操作后的尿沉渣显微图像构建训练集和测试集；

其中，对尿沉渣显微图像中的尿沉渣有形成分进行标注操作是指对尿沉渣显微图像中的尿沉渣有形成分所在的区域进行矩形框标注，并记录各矩形框的中心坐标位置、宽和高，以及矩形框中有形成分类别；

所述尿沉渣有形成分包括红细胞、白细胞、上皮细胞、晶体、管型、霉菌以及上皮细胞核七类；

步骤2：构建Trimmed SSD尿沉渣有形成分识别网络；

所述Trimmed SSD尿沉渣有形成分识别架构包括依次相连的特征提取网络和目标识别网络；

其中，所述特征提取网络包括依次相连的提取局部细节特征的基础卷积网络和提取全局语义特征的辅助卷积网络，所述基础卷积网络和辅助卷积网络均由多层卷积模块构建；