[发明专利]一种基于深度学习的尿沉渣图像识别系统及方法

权利要求书

1.一种基于深度学习的尿沉渣图像识别系统，其特征在于，包括：

图像采集模块：用于对患者的尿液样本进行离心处理后，通过高清显微镜拍摄完成对患者尿液样本原始图像的采集，得到患者尿液样本的原始图像；

图像分割模块：用于对患者尿液样本的原始图像进行分割处理，将患者尿液样本的原始图像中的每个尿沉渣成分分割为独立的正矩形尿沉渣成分图像，得到分割好的尿沉渣成分图像；

基于深度学习的图像识别模块：包括一个主网络模块以及两个二次识别模块，具体包括一个11分类的卷积神经网络模型以及两个2分类的卷积神经网络模型，用于对分割好的尿沉渣成分图像进行识别处理，之后整合三个卷积神经网络模型的识别结果，得到基于深度学习的图像识别模块的输出；

所述的主网络模块，即一个11分类的卷积神经网络模型的结构以Alexnet为基础，输入端为批次为1的单张图像，输出端为Softmax判别器输出的11种尿沉渣分类；通过将分割好的尿沉渣成分图像输入到主网络模块，输出得到置信度最大的7种尿沉渣分类结果以及易混淆的4种尿沉渣分类结果；

所述的两个二次识别模块，具体包括一个识别红细胞与白细胞的2分类的卷积神经网络模型A以及一个识别透明管型和黏液丝的2分类的卷积神经网络模型B；并且其输入端有一个判别器，通过将由判别器对主网络模块的输出结果识别为红细胞与白细胞的尿沉渣图像输入到2分类的卷积神经网络模型A，输出得到2种尿沉渣分类结果；通过将由判别器对主网络模块的输出结果识别为透明管型与黏液丝的尿沉渣图像输入到2分类的卷积神经网络模型B，输出得到2种尿沉渣分类结果；

计数模块：用于对基于深度学习的图像识别模块的输出结果进行统计处理，得到可供医生使用的定量的医学指标参考。

2.根据权利要求1所述的一种基于深度学习的尿沉渣图像识别系统，其特征在于：

所述的基于深度学习的图像识别模块，在主网络模块和二次识别模块搭建完成后，使用预训练的网络模型迁移到图像识别模块网络模型中，作为基于深度学习的图像识别模块网络模型的初始化权重。

3.一种基于深度学习的尿沉渣图像识别方法，包括权利要求2所述的一种基于深度学习的尿沉渣图像识别系统，其特征在于，包括：

步骤一：根据图像采集模块对经过离心处理后患者的尿液样本进行采集处理，通过高清显微镜拍摄患者尿液样本原始图像，得到650张800×600的患者尿液样本的原始图像；

步骤二：根据图像分割模块对患者尿液样本的原始图像进行分割处理，根据尿沉渣有形成分图像的形态特征，将步骤一得到的患者尿液样本的原始图像利用边缘检测法提取其中存在的尿沉渣成分边缘特征，通过设定一定的分割边长范围对范围内的尿沉渣有形成分进行正矩形分割，得到尺寸归一化为227×227的分割好的尿沉渣成分图像；

步骤三：根据基于深度学习的图像识别模块对分割好的尿沉渣成分图像进行识别处理，首先将分割好的尿沉渣成分图像输入到主网络模块的11分类的卷积神经网络模型进行第一次识别，得到置信度最大的7种尿沉渣分类结果以及易混淆的4种尿沉渣分类结果；然后根据判别器识别处理的易混淆的4种尿沉渣分类结果，输入到两个二次识别模块，将由判别器识别为红细胞与白细胞的尿沉渣图像输入到2分类的卷积神经网络模型A，得到2种尿沉渣分类结果；将由判别器识别为透明管型与黏液丝的尿沉渣图像输入到2分类的卷积神经网络模型B，得到2种尿沉渣分类结果；

步骤四：根据计数模块对基于深度学习的图像识别模块的输出结果进行统计处理，通过将尿液镜检中出现频率达到一定的阈值的成分作为医学诊断依据，得到可供医生使用的定量的医学指标参考；

步骤五：通过将主网络模块得到的置信度最大的7种尿沉渣分类结果以及两个二次识别模块分别得到的2种尿沉渣分类结果整合，得到最终整体输出结果。

4.根据权利要求3所述的一种基于深度学习的尿沉渣图像识别方法，其特征在于：所述步骤三，其中：

所述基于深度学习的图像识别模块，在主网络模块和二次识别模块搭建完成后，使用预训练的网络模型迁移到图像识别模块网络模型中，作为基于深度学习的图像识别模块网络模型的初始化权重。