[发明专利]一种基于改进Alexnet模型的尿液有形成分识别方法

说明书

本发明涉及医学图像处理领域，具体涉及一种基于改进Alexnet模型的尿液有形成分识别方法。步骤一：采集和扩充图像数据集，构建尿沉渣图像训练集和测试集；步骤二：构建基于Alexnet网络模型的尿液有形成分识别网络模型；步骤三：设置尿液有形成分识别网络模型的训练参数；步骤四：训练基于Alexnet网络模型的尿液有形成分识别网络模型；步骤五：测试基于Alexnet网络模型的尿液有形成分识别网络模型；本发明在Alexnet网络模型的基础上进行了改进，减少了网络训练参数量，能够自动提取图像特征，具有识别率高、识别时间快、泛化能力强的特点，对于辅助医疗诊断、减轻医生负担具有重要的应用前景。

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于改进Alexnet模型的尿液有形成分识别方法。

背景技术

通过离心方式得到的浓缩尿液中的有形成分称之为尿沉渣，尿液有形成分检查是医院常规检查项目之一，能够帮助临床医生了解泌尿系统各个部位的变化，对于辅助泌尿系统疾病的定位诊断、鉴别诊断和预后判断起着重要作用。尿液中显微镜检查可见的有形成分种类非常多，其中一些成分具有明确的病理意义，如细菌、红细胞、白细胞等具有非常重要的诊断价值。因此尿液有形成分的识别和准确分类，对于辅助病理诊断，减轻医生负担具有重要作用。

由于常规尿液有形成分检测方法是在显微镜下观察或通过摄像装置摄像后对图片进行观察和人工识别，该方法的工作量大，操作繁琐，并且容易受到技术人员水平差异的影响，容易造成漏检误检的问题，同时急剧增加的医学图像也为人工识别增加了难度。随着计算机技术的发展，已经出现了很多种对尿沉渣图像进行自动化分析的方法，但是现有的方法都还需要手动提取图像特征，并且人工选择分类器进行分类。这些自动化方法工作过程复杂，且易受到技术人员的影响，因此需要更有效的尿液有形成分识别方法来减少病理医生的工作量。

目前，随着深度学习在各个领域的应用，引发了在更多领域利用该技术进行数据分析的热潮，深度学习在医学图像处理领域也引起了重视。在尿液有形成分识别领域引入深度学习方法，使用卷积神经网络对尿沉渣图片进行训练，可以自动提取图像中的重要特征，并且得到准确的识别结果。

发明内容

本发明的目的在于提供一种基于改进Alexnet模型的尿液有形成分识别方法，以实现自动提取图像特征，具有卷积层数较少、参数量相对较少、识别率高、识别速度快、泛化能力强的特点，对于辅助医疗诊断、减轻医生负担具有重要的应用前景。

本发明实施例提供一种基于改进Alexnet模型的尿液有形成分识别方法步骤如下：

步骤一：采集和扩充图像数据集，构建尿沉渣图像训练集和测试集；

根据显微镜采集尿沉渣的初始图像，对初始图像中的尿液有形成分进行标注，对其中标注数量较少的图像类别进行数据增强处理，得到尿沉渣图像数据集；之后按比例随机选取标注后的图像，构建得到尿沉渣图像训练集和尿沉渣图像测试集；其中，所述尿液有形成分包括细菌、酵母菌、草酸钙结晶、透明管型、黏液丝、红细胞、精子、鳞状上皮细胞、白细胞、白细胞团共十类；

步骤二：构建基于Alexnet网络模型的尿液有形成分识别网络模型；

步骤三：设置尿液有形成分识别网络模型的训练参数；

步骤四：训练基于Alexnet网络模型的尿液有形成分识别网络模型；

根据步骤三中设置的训练参数，利用步骤一得到的尿沉渣图像训练集对尿液有形成分识别网络模型进行训练，迭代至最大迭代次数后，得到训练完成的尿液有形成分识别网络模型；

步骤五：测试基于Alexnet网络模型的尿液有形成分识别网络模型；

利用步骤一得到的尿沉渣图像测试集对尿液有形成分识别网络模型进行测试，得到尿沉渣图像测试集中尿液有形成分的识别结果以及总体准确率。