[發(fā)明專利]基于深度學習的尿沉渣顯微圖像有形成分識別方法

有效

• 申請?zhí)枺?/td>: 201910164071.8
• 申請日: 2019-03-05
• 公開（公告）號: CN109740697B
• 公開（公告）日: 2023-04-14
• 發(fā)明（設(shè)計）人: 李偉紅;劉文倩;龔衛(wèi)國
• 申請（專利權(quán)）人: 重慶大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/09;G06N3/096;G16H30/40
• 代理公司: 重慶華科專利事務(wù)所 50123
• 代理人: 康海燕

本發(fā)明提出一種基于深度學習的尿沉渣顯微圖像有形成分識別方法，包括改進AlexNet模型為De?AlexNet模型，遷移模型參數(shù)，利用可視化卷積神經(jīng)網(wǎng)絡(luò)模型制定一種合理的微調(diào)學習率和級聯(lián)特征的策略，集成De?AlexNet模型、GoogLeNet模型和ResNet模型對尿沉渣顯微圖像進行特征提取，并設(shè)計全連接神經(jīng)網(wǎng)絡(luò)模型作為分類器對集成特征進行分類四個部分。與現(xiàn)有的尿沉渣顯微圖像有形成分識別方法相比，本發(fā)明識別準確率更高，操作更簡潔，效率更優(yōu)。

技術(shù)領(lǐng)域

本發(fā)明涉及到醫(yī)療顯微圖像處理技術(shù)領(lǐng)域，具體地說，是一種基于深度學習的尿沉渣顯微圖像有形成分識別方法。

背景技術(shù)

尿沉渣檢查在腎臟疾病、泌尿系統(tǒng)疾病、循環(huán)系統(tǒng)疾病和感染性疾病的診斷和鑒別中具有重要的作用，是醫(yī)院常規(guī)檢查項目之一。目前，尿沉渣檢查可以通過三種方式進行：干化學法、流式細胞檢測法和影像式顯微鏡檢測分析法，其中影像式顯微鏡檢測分析法是目前比較常用和可靠的尿沉渣檢查方法。由于醫(yī)院每天的檢查工作量很大，檢查效率較低，因此攝像式尿沉渣自動分析儀便成為了醫(yī)療機構(gòu)理想的選擇。攝像式尿沉渣自動分析儀是利用圖像識別軟件完成有形成分的種類識別，目前對于有形成分識別的準確率有待提高，因此需要針對尿沉渣顯微圖像有形成分的識別部分進行更加深入的研究，提高準確率和穩(wěn)定性。

尿沉渣顯微圖像有形成分識別分為特征提取和分類兩部分。傳統(tǒng)的尿沉渣顯微圖像特征提取方法需要手工設(shè)計特征算子，提取的特征與研究人員的先驗知識有著密切關(guān)系，使得傳統(tǒng)方法存在很大的局限性。而深度學習是一種多層次的自主學習方法，利用卷積核自主提取圖像特征，具有很好的泛化能力。深度學習往往要求有大型數(shù)據(jù)集來訓練卷積神經(jīng)網(wǎng)絡(luò)(Convolution?Neural?Network,CNN)模型，但是尿沉渣顯微圖像的樣本量比較小，不足以訓練模型。并且尿沉渣顯微圖像具有類間相似、類內(nèi)差異大的特點，使得提取有判別性的特征比較困難。CNN模型提取的特征維數(shù)較多，傳統(tǒng)分類器在處理高維特征時將耗費大量的機器內(nèi)存和運行時間，對于多分類問題的計算復雜度更是成倍增加。

由此可見，設(shè)計出高效、準確的圖像識別方法，解決尿沉渣顯微圖像中尿沉渣有形成分的自動識別問題，對實現(xiàn)尿沉渣顯微圖像的自動化分析意義重大。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于深度學習的尿沉渣顯微圖像有形成分識別方法，利用遷移學習解決尿沉渣顯微圖像樣本不足的問題，利用集成的微調(diào)CNN模型對尿沉渣顯微圖像有形成分進行特征提取，通過級聯(lián)特征增加更多具有判別性的特征，并利用全連接神經(jīng)網(wǎng)絡(luò)對高維特征進行分類。

為達到上述目的，本發(fā)明采用的技術(shù)方案如下：

本發(fā)明方法包括四個部分：改進AlexNet模型為De-AlexNet模型、遷移CNN模型權(quán)重、制定一種合理的微調(diào)學習率和級聯(lián)特征的策略、集成De-AlexNet模型、GoogLeNet模型和ResNet模型提取的特征并設(shè)計全連接神經(jīng)網(wǎng)絡(luò)模型作為分類器。

所述方法主要包括以下步驟：

步驟1：改進AlexNet模型為De-AlexNet模型，即將AlexNet模型的FC7層去掉，添加兩個全連接層FCA1和FCA2層，其中FCA1的神經(jīng)元數(shù)目為2048，F(xiàn)CA2的神經(jīng)元數(shù)目為1024。

步驟2：在ImageNet數(shù)據(jù)集上預訓練De-AlexNet模型、GoogLeNet模型和ResNet模型并分別獲取三個模型的權(quán)重。

步驟3：將三個預訓練模型遷移至尿沉渣顯微圖像數(shù)據(jù)集上繼續(xù)訓練。

步驟4：可視化三個模型中的每一層卷積層提取的特征，按照提取特征的特性分別將每個模型的卷積層分為三個卷積塊。

步驟5：將第一個卷積塊的學習率設(shè)為0、將第二個卷積塊的學習率設(shè)為0.001、將第三個卷積塊的學習率設(shè)為0.01進行訓練。