[发明专利]一种基于Trimmed SSD的尿沉渣有形成分自动识别方法

摘要

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。

主权项

1.一种基于Trimmed SSD的尿沉渣有形成分自动识别方法，其特征在于，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；所述目标识别网络包括依次相连的离散化模块、卷积滤波模块以及预测结果筛选模块，所述离散化模块，首先将输入到目标识别网络的特征图映射回原始图像，然后按照特征图的尺寸大小对原始图像进行均匀网格划分，接着依次在每个网格的位置上根据不同的尺度和比例设置获得多个默认方框，再将所有默认方框输入到所述卷积滤波模块进行滤波处理，得到每个默认方框对所有类别的置信度和默认方框到预测框的调整值；所述预测结果筛选模块，依据设置的置信度阈值对预测框进行筛选；其中，默认方框和预测框的位置信息包括中心点坐标及宽和高；步骤3：初始化所述Trimmed SSD尿沉渣有形成分识别网络的卷积权重参数；所述基础卷积网络中的卷积权重的初始化值采用ImageNet数据集上用于分类任务的预训练的CNN模型参数；所述辅助卷积网络和目标识别网络的卷积权重参数的初始化值采用xavier随机初始化获得；步骤4：设置所述Trimmed SSD尿沉渣有形成分识别网络的训练参数；输入图像的尺寸为300×300，单个GPU上的小批量尺寸为32，学习率策略采用多步学习率策略，其步长为[80000 10000 120000]，初始学习率为0.001，gamma值为0.1，最大迭代次数为12000；步骤5：获取基于Trimmed SSD的尿沉渣有形成分预测模型；在caffe深度学习平台上，利用步骤1得到的尿沉渣图像训练集，结合步骤3和步骤4设置的初始化参数和训练参数，训练Trimmed SSD尿沉渣有形成分识别网络，迭代至最大迭代次数后获得基于Trimmed SSD的尿沉渣有形成分预测模型；在训练过程中，计算每个默认方框调整到预测框和被分类到具体有形成分的过程对应的损失函数，以所有默认方框对应的损失函数最小时，确定所述Trimmed SSD尿沉渣有形成分识别网络的卷积权重参数；步骤6：输入任意待预测尿沉渣图像至基于Trimmed SSD的尿沉渣有形成分预测模型，得到待预测尿沉渣图像中包含的各类尿沉渣有形成分类别以及所在的矩形框位置；所述矩形框位置包括中心点坐标及宽和高。