[發明專利]基于深度學習的白帶樣本自動化檢測方法、系統以及存儲介質

在審

• 申請號: 202110779075.4
• 申請日: 2021-07-09
• 公開（公告）號: CN113450338A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 何虎;劉宇中;李向東;鄭國康
• 申請（專利權）人: 湖南晟瞳科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06K9/62;G06N3/04
• 代理公司: 長沙朕揚知識產權代理事務所(普通合伙) 43213
• 代理人: 鄧宇

本發明公開了基于深度學習的白帶樣本自動化檢測方法、系統以及存儲介質，通過采集白帶樣本圖片，并對白帶樣本圖片中有效成分的類別以及位置進行標注；構建以Faster R?CNN的神經網絡框架為基礎的白帶檢測模型，并用ResNet?50作為所述白帶檢測模型的主干特征網絡；采用標注好的白帶樣本圖片對所述白帶檢測模型進行訓練，并用訓練好的白帶檢測模型進行白帶樣本檢測。相比現有技術，本技術方案通過將Faster R?CNN的神經網絡框架的主干特征提取網絡替換成ResNet?50，不但能提高檢測速度還能保證檢測的準確度。

技術領域

本發明涉及醫學顯微圖像處理技術領域，尤其涉及基于深度學習的白帶樣本自動化檢測方法、系統以及存儲介質。

背景技術

白帶是女性陰道的主要分泌物，由陰道粘膜滲出物、前庭大腺、子宮頸腺體及子宮內膜分泌物混合而成，其某些參數可以反映患者的身體狀況，白帶常規檢查在臨床上有著非常廣泛的應用：通過白帶常規檢查，能檢查出多種陰道感染類疾病，并且可以了解陰道的清潔度，判斷是否感染有致病菌，衡量雌性激素水平，輔助診斷婦科腫瘤等。因此白帶常規檢查是一項非常常用的婦科檢查手段。

而如今大多數醫院的白帶常規檢查主要是依靠人工鏡檢，整個過程較為繁瑣，效率較低，由于整個檢測過程是由檢驗科醫生手動完成，極易造成交叉污染，且醫護人員能同時處理的樣本數量有限，所以從采樣到給出結論時間較長。此外，具有炎癥的樣本一般具有濃烈的氣味，嚴重影響醫務人員的工作環境，醫務人員長時間在顯微鏡下觀察細胞，工作量大，也容易出現疲勞所致的誤檢或漏檢。而且白帶樣本長時間地處于觀察中容易受到溫度和各種外界環境的影響，導致檢測結果不準確。可見人工鏡檢對醫務工作者的技術和精力要求嚴格，檢測過程復雜，而且會受到很多不確定因素的干擾，影響檢測結果。

為了解決上述問題，現有技術中有人提出構建基于神經網絡的白帶檢測模型來進行檢測，然而現有的白帶檢測模型由于存在檢測速度慢和檢測準確率的問題，導致并不能實際應用，因此，如何解決現有的基于神經網絡的白帶檢測方法檢測速度慢和準確率低的問題已成為本領域技術人員亟待解決的技術問題。

發明內容

本發明提供了基于深度學習的白帶樣本自動化檢測方法、系統以及存儲介質，用于解決現有的基于神經網絡的白帶檢測方法檢測速度慢和準確率低的技術問題。

為解決上述技術問題，本發明提出的技術方案為：

一種基于深度學習的白帶樣本自動化檢測方法，包括以下步驟：

采集白帶樣本圖片，并對白帶樣本圖片中有效成分的類別以及位置進行標注；

構建以Faster R-CNN的神經網絡框架為基礎的白帶檢測模型，并用ResNet-50作為白帶檢測模型的主干特征提取網絡；

采用標注好的白帶樣本圖片對白帶檢測模型進行訓練，并用訓練好的白帶檢測模型進行白帶樣本檢測。

優選的，ResNet-50包括第一下采樣模塊以及第二下采樣模塊，第一下采樣模塊設置在Faster R-CNN的RPN層前，用于獲取白帶檢測模型的卷積層輸出feature map；第二下采樣模塊設置在Faster R-CNN的RPN層后，通過ROI Pooling層，對原始圖片上的目標區域進行提取，下采樣后進行分類和回歸，從而實現目標檢測。

優選的，第一下采樣模塊包括4層下采樣網絡，第二下采樣模塊包括1層下采樣網絡。

優選的，對白帶樣本圖片中有效成分的類別以及位置進行標注，包括以下步驟：

人工在白帶樣本圖片上標注各種有效成分的標注框以及類別；