[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

说明书

本发明涉及医学图像处理领域，具体涉及一种基于深度学习的尿沉渣图像识别系统及方法。图像采集模块对尿液样本采集得到原始图像；图像分割模块对原始图像进行分割处理，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对分割好的尿沉渣成分图像进行识别，整合三个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；计数模块对输出结果进行统计处理，得到定量的医学指标参考；系统输出为基于深度学习的图像识别模块的结果和计数模块的结果。本发明可以自动实现端到端的特征提取与分类，有效提取出尿沉渣有形成分中难以被肉眼发现的微小特征，从而高质量地解决11种尿沉渣成分的复杂分类问题，具有很强的医学应用价值。

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于深度学习的尿沉渣图像识别系统及方法。

背景技术

尿沉渣检测技术是指用显微镜检查离心后尿液样本的沉渣物，对沉渣物中的有形成分进行检测、分类与计数，从而为相关病情的判定提供定量指标，是医院的常规检测项目之一。在患者尿液样本中检测到的尿沉渣成分会为医生的诊断提供重要的参考信息，例如：尿沉渣中检测到的红细胞增多会提示尿路出血；白细胞增多会提示泌尿系统感染；红细胞、草酸钙或磷酸钙结晶、透明管型的大量出现可以推测患者患有尿路结石；管型增多会提示肾小球肾炎、肾小管及肾功能减退等等。因此，尿沉渣检测对肾脏疾病、泌尿系统疾病和感染性疾病的诊断都有着非常重要的意义。

由于尿液显微镜检图像具有成分种类与数量较多、成分分布不均、单个成分较小的特点，并且人工镜检工作量大，效率低下，容易漏检误检，同时人工镜检高度依赖于操作者的经验从而很难标准化。因此，标准化和自动化的尿沉渣分析仪可以大幅减少病理医生的工作量，提高医院的服务效率与质量，具有十分重要的实用价值。随着计算机科学的快速发展，数字医学影像智能检测技术日益成为一项重要的辅助检测手段，分析仪通过计算机对患者的尿沉渣图像进行处理和分析，能够自动地将图像中的有形成分分割出来，并对分割后的成分图像进行识别，从而部分或全部地替代人工镜检，加快检测的速度，提高检测水平。

目前，传统自动化检测方法通常采用“目标分割+特征选择与提取+分类器”的主要思路，在尿沉渣图像识别分类方面取得了一定的研究成果。但这些方法的性能很大程度上取决于对尿沉渣成分分割的准确性，以及对尿沉渣成分的形态特征选择与组合的有效性。尿沉渣图像相对于通用分类图像来说，部分不同种类成分的图像之间形态差异小，部分同类成分的图像之间形态差异大，利用传统方法很难取得较大突破，同时特征的选择与组合也需要耗费研究人员大量的工作量。近年来，随着GPU等高性能计算设备的快速发展，深度学习技术取得突破性进展，其中卷积神经网络CNN在图像识别领域表现地非常出色，相对于人工提取特征的传统方法，卷积神经网络可以自动地提取数量远多于手工方法的图像特征，并对其进行最优化特征组合。目前，深度学习在很多医疗领域都取得了显著的研究与应用成果，但在尿沉渣识别方面，虽然有一些尝试，但在一些评价指标上表现较差，且有效分类的种类较少，速度较慢，对Windows平台支持较差，难以满足临床需求。本发明提出了一种高准确率，分类种类多，识别速度快，支持Windows操作系统的尿沉渣图像识别系统，可在有限数据集的条件下达到实际应用的要求。

发明内容

本发明的目的在于提供一种基于深度学习的尿沉渣图像识别系统及方法，以通过基于Alexnet卷积神经网络模型的组合网络系统，自动识别尿沉渣有形成分，并且有效区分了红细胞、白细胞、透明管型与黏液丝，提高了红细胞、白细胞、透明管型与黏液丝的召回率，提升了识别效果。

第一方面，本发明实施例提供一种基于深度学习的尿沉渣图像识别系统，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；