[发明专利]一种畸形尿红细胞分类统计方法与系统

权利要求书

1.一种畸形尿红细胞分类统计方法，其特征在于，包括以下步骤：

S1、采集样本的显微镜变焦视频；

S2、找出显微镜变焦视频所有帧中清晰度最高的帧，并在清晰度最高的帧上识别出全部尿红细胞，并从全部尿红细胞中识别出畸形尿红细胞；依据畸形尿红细胞的位置和大小从显微镜变焦视频中分割出多个畸形尿红细胞变焦视频；

S3、将打上了分类标签的若干个畸形尿红细胞变焦视频作为训练集数据，利用深度多示例学习算法预测出各个畸形尿红细胞变焦视频中每一帧在不同分类下的概率，并将每个分类下概率值大于概率阈值的帧设定为该分类下的关键帧；所述分类标签包括靶型、影红、芽孢、花环、面包圈、颗粒6种；

S4、判断各个畸形尿红细胞变焦视频是否有靶型关键帧，若有，判定该畸形尿红细胞变焦视频的分类为靶型；若没有，则将拥有最大概率值的关键帧所属的分类作为畸形尿红细胞变焦视频的分类，进而实现畸形尿红细胞的分类与数量统计；

所述深度多示例学习算法基于残差神经网络训练实现，所述残差神经网络训练包括以下步骤：

S301、设置残差神经网络模型，通过ImageNet上的公共数据集对残差神经网络进行初始化；

S302、读取训练集中的一个畸形尿红细胞变焦视频中的所有帧，通过残差神经网络预测各个帧在不同分类下的概率，然后根据该畸形尿红细胞变焦视频的分类标签，找出畸形尿红细胞变焦视频所在分类下概率最高的帧，给其打上分类标签，并存入临时训练集；

S303、读取训练集中下一个畸形尿红细胞变焦视频，重复步骤S302，直到训练集中所有畸形尿红细胞变焦视频对应分类下概率最高的帧被全部打上分类标签并存入临时训练集；

S304、使用临时训练集中的所有带有分类标签的帧训练残差神经网络，调整残差神经网络的参数使得其预测出的帧分类尽可能与真实的帧分类相同；

S305、重复步骤S302~S304，直至残差神经网络训练结束。

2.根据权利要求1所述的一种畸形尿红细胞分类统计方法，其特征在于，所述步骤S2中，找出显微镜变焦视频所有帧中清晰度最高的帧的具体方法为：计算显微镜变焦视频中每一帧的灰度方差值，将灰度方差值达到最大的帧作为清晰度最高的帧；

识别出尿红细胞的方法为：计算目标修正圆度值C₁，将目标修正圆度值大于0.5的目标标定为尿红细胞，目标修正圆度值C₁的计算公式为：

其中，p表示目标周长，A表示目标面积，

表示旋转后目标的外接矩形长度， 表示旋转后目标外接矩形的宽度；

从全部尿红细胞中识别出畸形尿红细胞的具体方法为：计算全部尿红细胞的平均灰度值，将灰度值低于灰度阈值的尿红细胞标记为畸形尿红细胞。

3.根据权利要求2所述的一种畸形尿红细胞分类统计方法，其特征在于，灰度阈值设定为75。

4.根据权利要求1所述的一种畸形尿红细胞分类统计方法，其特征在于，所述残差神经网络的结构包括1个输入阶段与4个卷积阶段，输入阶段包含一个7×7大小的卷积层和一个3×3大小的最大池化层，每一个卷积阶段都由1个变维残差块与2个固定维残差块组成，变维残差块与固定维残差块都由2个1×1大小的卷积层和一个3×3大小的卷积层构成，但变维残差块输出与输入数据的维数不同，并且变维残差块的浅层卷积结果在传递到深层时，需要通过一个额外的卷积层来改变浅层卷积结果的维数，使其与深层卷积结果的维数匹配；此外，所述残差神经网络在提取出畸形尿红细胞变焦视频中每一帧的特征图后，特征图将通过两个全连接网络以及一个softmax分类器，进而得到每一帧属于不同分类的概率值。

5.根据权利要求1所述的一种畸形尿红细胞分类统计方法，其特征在于，所述残差神经网络中，是否训练结束的损失函数选用交叉熵函数，训练参数为：学习率为10^-4，批处理样本数量为128，迭代次数小于20次，动量因子为0.9，优化方法为Adam算法，所述训练集中的畸形尿红细胞变焦视频的数量为10000。

6.根据权利要求1所述的一种畸形尿红细胞分类统计方法，其特征在于，所述步骤S3中，概率阈值的设定值为0.5。