[发明专利]尿沉渣中透明管型、病理管型以及粘液丝的识别方法

权利要求书

1.一种尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于，包括以下步骤：

步骤1：收集分割后的尿液有形成分显微图片，按比例随机划分为训练集和测试集；

采集到的尿液有形成分显微镜图片，需要先对图像中的尿液有形成分进行分割，然后标注；

所述尿液有形成分包括透明管型、病理管型，粘液丝以及类管型成分，最后得到的成分一共为4类；

步骤2：训练集数据的预处理；

通过对图片的仔细观察，发现透明管型和粘液丝的图片背景与目标物体颜色较近，且曝光度较高，导致物体与背景难以区分，需要对训练集用传统方法进行一些预处理，具体为对图像进行归一化处理、伽马矫正、反归一化，这两种成分经过处理后，图像会变清晰，提高图像识别准确率；

步骤3：构建urine_8Net尿液有形成分识别网络；

网络结构基于vgg-16网络，在此结构上进行了精简，减少5层卷积层，并增添了注意力模块和特征融合模块，其结构如下：第一个模块为BN+Conv，第二个模块为BN+Conv+Conv+Maxpooling，第三个模块为Conv+Conv+BN+Maxpooling，第四至第六模块为Conv+BN+Maxpooling，第七模块为注意力模块，按通道注意力、空间注意力的顺序进行搭建，注意力模块出来后为特征融合模块，主要是融合第7、8卷积层特征和注意力模块出来的特征，实现中层特征的重用，接着是3个全连接层，第3个全连接层有4个节点的输出，对应4分类，最后是接一个Softmax分类器，在输出层得到对应分类类别的对应概率，得到识别结果；所述步骤3中采用的模型是基于vgg-16网络的基础上改进的，首先改变其原有输入层大小224*224*3为164*164*3，尿沉渣图像进入网络前统一Resize成输入层大小，然后改变原有的13层卷积层为8层卷积层，使之符合尿沉渣中管型类成分图像特点，其余的卷积核大小以及通道数不变；

步骤4：设置所用的网络参数如下；

输入图像为分割后的只包含单一种类成分的小图片，单通道灰度图像，但按照伪彩色三通道图像计算；图片在进入实际网络后会统一Resize成164*164大小的图片；在单个GPU上的小批量尺寸为128，初始学习率为0.001，迭代次数为50000次，损失函数使用Keras自带的多类损失函数categorical_crossentropy；

步骤5：训练基于步骤3所述urine_8Net尿液有形成分识别模型；

利用步骤1得到的尿沉渣图像数据集，结合步骤4中设置的训练参数，在Windows下利用Keras框架，Rtx2060显卡训练urine_8Net网络，迭代至最大迭代次数后获得网络模型；

步骤6：利用步骤5得到的尿沉渣图像测试集对所得模型进行测试，得到测试集中管型成分的识别结果及总体准确率。

2.如权利要求1所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于：所述步骤1所选取的训练集经过了挑选，并对透明管型和病理管型成分进行了数据增强。

3.如权利要求1所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于：所述步骤2中需要对训练集数据进行传统图像处理，具体为归一化、伽马校正、反归一化，按顺序执行，且经过处理，透明管型和粘液丝的图像清晰度有所提高。

4.如权利要求1所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于：所述步骤3中所采用的注意力模块，是对第8层卷积层的输出，先经过通道注意力，再经过空间注意力，得到添加注意力后的特征，使该特征增添了更多的细节信息。

5.如权利要求1所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于：所述步骤3中的特征融合层模块，是对注意力模块的输出，与第7、第8层卷积的输出进行通道上的融合，即通道数增加，输出的特征融合了之前的特征，实现了中层特征融合，使之能更好的应用于分类。

6.如权利要求1所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于：所述步骤3中的整个改进模型，最后全连接层要经过dropout方法防止过拟合，且最后的Softmax输出节点为4，对应4种分类。

7.根据权利要求1-6项中任一项所述的尿沉渣中透明管型、病理管型以及粘液丝的识别方法，其特征在于，应用于医学图像识别。