CN114495097A - 一种基于多模型的尿液的细胞识别方法和系统 - Google Patents
一种基于多模型的尿液的细胞识别方法和系统 Download PDFInfo
- Publication number
- CN114495097A CN114495097A CN202210108663.XA CN202210108663A CN114495097A CN 114495097 A CN114495097 A CN 114495097A CN 202210108663 A CN202210108663 A CN 202210108663A CN 114495097 A CN114495097 A CN 114495097A
- Authority
- CN
- China
- Prior art keywords
- image
- recognition
- model
- identification
- urine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000002700 urine Anatomy 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005859 cell recognition Effects 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 210000002919 epithelial cell Anatomy 0.000 claims description 60
- 210000003743 erythrocyte Anatomy 0.000 claims description 60
- 210000000265 leukocyte Anatomy 0.000 claims description 60
- 210000004027 cell Anatomy 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000000386 microscopy Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 20
- 238000011176 pooling Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000002945 steepest descent method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001000 micrograph Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提出一种基于多模型的尿液的细胞识别方法和系统,其中,方法包括:尿液图像的收集、挑选和标注,形成数据集;构建基于深度卷积神经网络的图像识别模型;针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。本发明提出的方案对尿液中不同的细胞组合应用不同的模型进行分别识别,大大提高了识别的准确率;很好的解决了细胞数目不平衡的问题,有利于数据集的制作。
Description
技术领域
本发明属于尿常规图像识别领域,尤其涉及一种基于多模型的尿液的细胞识别方法和系统。
背景技术
尿液中各种细胞形态的识别,能帮助医生诊断疾病。早期主要依靠显微镜对尿液进行人工观察、识别,工作量大,检测效率低,且对人员的专业能力要求高。近年来,随着人工智能技术的发展,图像识别技术也被应用到尿常规项目中,不仅大幅降低了工作量,也大大提高了检测效率。然而,尿液中存在的细胞形态多种多样,千差万别,目前大部分工作都局限在用单一模型实现尿液的细胞识别,对于细胞形态差异非常大的情况,往往识别效果不是很理想。
发明内容
为解决上述技术问题,本发明提出一种基于多模型的尿液的细胞识别方法的技术方案,以解决上述技术问题。
本发明第一方面公开了一种基于多模型的尿液的细胞识别方法;所述方法包括:
步骤S1、尿液图像的收集、挑选和标注,形成数据集;
步骤S2、构建基于深度卷积神经网络的图像识别模型;
步骤S3、针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
步骤S4、应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
根据本发明第一方面的方法,在所述步骤S1中,所述尿液图像的标注的具体方法包括:
10倍显微镜的图像标注为小目标和上皮细胞,40倍显微镜的图像标注为红细胞和白细胞。
根据本发明第一方面的方法,在所述步骤S2中,基于深度卷积神经网络的图像识别模型的具体结构包括:
特征提取网络、生成候选区域网络和分类网络;
所述特征提取网络提取尿液图像的特征;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率。
根据本发明第一方面的方法,在所述步骤S2中,基于深度卷积神经网络的图像识别模型的具体结构还包括:位置修正网络;
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调。
根据本发明第一方面的方法,在所述步骤S3中,所述不同的细胞识别组合具体包括:
所述小目标、上皮细胞、红细胞和白细胞的多种识别组合。
根据本发明第一方面的方法,在所述步骤S3中,所述多种识别组合具体包括:
小目标和上皮细胞的识别组合;红细胞和白细胞的识别组合;小目标单独识别;上皮细胞、红细胞和白细胞的识别组合;
所述多个图像识别模型具体包括:针对小目标和上皮细胞的识别组合的图像识别模型;针对红细胞和白细胞的识别组合的图像识别模型;针对小目标单独识别的图像识别模型;针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
根据本发明第一方面的方法,在所述步骤S4中,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别的具体方法包括:
应用所述训练好的针对小目标和上皮细胞的识别组合的图像识别模型、针对红细胞和白细胞的识别组合的图像识别模型、针对小目标单独识别的图像识别模型和针对上皮细胞、红细胞和白细胞的识别的图像识别模型的组合对待识别的图像进行识别。
本发明第二方面公开了一种基于多模型的尿液的细胞识别系统;所述系统包括:
第一处理模块,被配置为,尿液图像的收集、挑选和标注,形成数据集;
第二处理模块,被配置为,构建基于深度卷积神经网络的图像识别模型;
第三处理模块,被配置为,针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
第四处理模块,被配置为,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种基于多模型的尿液的细胞识别方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种基于多模型的尿液的细胞识别方法中的步骤。
本发明提出的方案能够,
1.对尿液中不同的细胞组合应用不同的模型进行分别识别,大大提高了识别的准确率。
2.很好的解决了细胞数目不平衡的问题,有利于数据集的制作。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于多模型的尿液的细胞识别方法的流程图;
图2为根据本发明实施例的基于深度卷积神经网络的图像识别模型的结构图;
图3为根据本发明实施例的模型识别结果对比图;
图4为根据本发明实施例的一种基于多模型的尿液的细胞识别系统的结构图;
图5为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明第一方面公开了一种基于多模型的尿液的细胞识别方法。图1为根据本发明实施例的一种基于多模型的尿液的细胞识别方法的流程图,如图1所示,所述方法包括:
步骤S1、尿液图像的收集、挑选和标注,形成数据集;
步骤S2、构建基于深度卷积神经网络的图像识别模型;
步骤S3、针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
步骤S4、应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
在步骤S1,尿液图像的收集、挑选和标注,形成数据集。
在一些实施例中,在所述步骤S1中,所述尿液图像的标注的具体方法包括:
10倍显微镜的图像标注为小目标和上皮细胞,40倍显微镜的图像标注为红细胞和白细胞。
具体地,通过10倍和40倍显微镜配合CCD相机以及相关的自动化设备获取真实人体尿液图像。其中,10倍显微镜的图像20000张,40倍显微镜的图像40000张。经过人工挑选,挑选出符合清晰、内含细胞等条件的图像分别13000张和32000张。然后专业人员对其进行标注,10倍显微镜图像标注小目标和上皮细胞,40倍显微镜图像标注红细胞和白细胞。经统计,小目标数量为150000个,上皮细胞数量为40000个;红细胞数量为40000个,白细胞数量为40000个。
在步骤S2,构建基于深度卷积神经网络的图像识别模型。
在一些实施例中,在所述步骤S2中,如图2所示,基于深度卷积神经网络的图像识别模型的具体结构包括:
特征提取网络、生成候选区域网络和分类网络;
所述特征提取网络提取尿液图像的特征;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率。
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调。
具体地,所述特征提取网络提取尿液图像的特征,由五个提取单元组成:
第一特征提取单元由两个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为64,步长为1,池化层过滤器大小均为2×2,步长为2;
第二特征提取单元由两个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为128,步长为1,池化层过滤器大小均为2×2,步长为2;
第三特征提取单元由三个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为256,步长为1,池化层过滤器大小均为2×2,步长为2;
第四特征提取单元由三个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
第五特征提取单元由三个卷积层构成,卷积层卷积核为3×3大小,深度为512,步长为1;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域,减少后续识别过程的计算量,由两个卷积层、一个softmax层以及一个用于调整网络尺寸的SPP层组成:
第一卷积层卷积核为3×3大小,深度为512,步长为1;
第二卷积层卷积核为1×1大小,深度为18,步长为1;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率,由三个全连接层一个softmax层组成;
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调,使得识别范围更加精准,由两个全连接层组成。
在步骤S3,针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型。
在一些实施例中,在所述步骤S3中,所述不同的细胞识别组合具体包括:
所述小目标、上皮细胞、红细胞和白细胞的多种识别组合;
所述多种识别组合具体包括:
小目标和上皮细胞的识别组合;红细胞和白细胞的识别组合;小目标单独识别;上皮细胞、红细胞和白细胞的识别组合;
所述多个图像识别模型具体包括:针对小目标和上皮细胞的识别组合的图像识别模型;针对红细胞和白细胞的识别组合的图像识别模型;针对小目标单独识别的图像识别模型;针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
具体地,针对人体尿液中小目标、上皮细胞、红细胞和白细胞进行目标识别。其中,小目标是低倍显微镜下观察到的尺寸较小的若干类细胞的统称,其尺寸相对于上皮细胞、红细胞和白细胞相对较小,而上皮细胞、红细胞和白细胞之间尺寸相当。针对这四种识别对象的不同和组合作为模型的识别目标,共做了以下五组方法的实验:
A.利用上述模型和数据集,对小目标、上皮细胞、红细胞和白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
B.利用上述模型和数据集,对小目标、上皮细胞识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
C.利用上述模型和数据集,对红细胞和白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
D.利用上述模型和数据集,对小目标识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
E.利用上述模型和数据集,对上皮细胞、红细胞、白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
应用上述五种方法生成五种模型,模型A、模型B、模型C、模型和模型E;
模型A:针对人体尿液中小目标、上皮细胞、红细胞和白细胞进行目标识别;
模型B:针对小目标和上皮细胞的识别组合的图像识别模型;
模型C:针对红细胞和白细胞的识别组合的图像识别模型;
模型D:针对小目标单独识别的图像识别模型;
模型E:针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
五种方法的评估结果如图3所示,从上面可以看出,通过对比,利用单一模型实现对小目标、上皮细胞、红细胞、白细胞的识别,整体效果很差;而如果利用模型D实现对小目标的识别,利用模型E实现对上皮细胞、红细胞、白细胞的识别,从而将这两个模型结合起来,达到和模型A相同的目的,当识别效果会有一个相当大的提升。
在步骤S4,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
在一些实施例中,在所述步骤S4中,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别的具体方法包括:
应用所述训练好的针对小目标和上皮细胞的识别组合的图像识别模型、针对红细胞和白细胞的识别组合的图像识别模型、针对小目标单独识别的图像识别模型和针对上皮细胞、红细胞和白细胞的识别的图像识别模型的组合对待识别的图像进行识别。
具体地,将任意一张待识别的图像经过模型D实现对小目标的识别,利用模型E实现对上皮细胞、红细胞、白细胞的识别,综合模型D和E的识别结果,从而实现对小目标、上皮细胞、红细胞、白细胞的识别;
所述模型D为针对小目标单独识别的图像识别模型;所述模型E为针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
综上,本发明提出的方案能够,
1.对尿液中不同的细胞组合应用不同的模型进行分别识别,大大提高了识别的准确率。
2.很好的解决了细胞数目不平衡的问题,有利于数据集的制作。
本发明第二方面公开了一种基于多模型的尿液的细胞识别系统。图4为根据本发明实施例的一种基于多模型的尿液的细胞识别系统的结构图;如图4所示,所述系统100包括:
第一处理模块101,被配置为,尿液图像的收集、挑选和标注,形成数据集;
第二处理模块102,被配置为,构建基于深度卷积神经网络的图像识别模型;
第三处理模块103,被配置为,针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
第四处理模块104,被配置为,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
根据本发明第二方面的系统,所述第一处理模块101具体被配置为,10倍显微镜的图像标注为小目标和上皮细胞,40倍显微镜的图像标注为红细胞和白细胞。
具体地,通过10倍和40倍显微镜配合CCD相机以及相关的自动化设备获取真实人体尿液图像。其中,10倍显微镜的图像20000张,40倍显微镜的图像40000张。经过人工挑选,挑选出符合清晰、内含细胞等条件的图像分别13000张和32000张。然后专业人员对其进行标注,10倍显微镜图像标注小目标和上皮细胞,40倍显微镜图像标注红细胞和白细胞。经统计,小目标数量为150000个,上皮细胞数量为40000个;红细胞数量为40000个,白细胞数量为40000个。
根据本发明第二方面的系统,所述第二处理模块102具体被配置为,如图2所示,基于深度卷积神经网络的图像识别模型的具体结构包括:
特征提取网络、生成候选区域网络和分类网络;
所述特征提取网络提取尿液图像的特征;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率。
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调。
具体地,所述特征提取网络提取尿液图像的特征,由五个提取单元组成:
第一特征提取单元由两个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为64,步长为1,池化层过滤器大小均为2×2,步长为2;
第二特征提取单元由两个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为128,步长为1,池化层过滤器大小均为2×2,步长为2;
第三特征提取单元由三个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为256,步长为1,池化层过滤器大小均为2×2,步长为2;
第四特征提取单元由三个卷积层和一个最大池化层构成,卷积层卷积核为3×3大小,深度为512,步长为1,池化层过滤器大小均为2×2,步长为2;
第五特征提取单元由三个卷积层构成,卷积层卷积核为3×3大小,深度为512,步长为1;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域,减少后续识别过程的计算量,由两个卷积层、一个softmax层以及一个用于调整网络尺寸的SPP层组成:
第一卷积层卷积核为3×3大小,深度为512,步长为1;
第二卷积层卷积核为1×1大小,深度为18,步长为1;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率,由三个全连接层一个softmax层组成;
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调,使得识别范围更加精准,由两个全连接层组成。
根据本发明第二方面的系统,所述第三处理模块103具体被配置为,所述不同的细胞识别组合具体包括:
所述小目标、上皮细胞、红细胞和白细胞的多种识别组合;
所述多种识别组合具体包括:
小目标和上皮细胞的识别组合;红细胞和白细胞的识别组合;小目标单独识别;上皮细胞、红细胞和白细胞的识别组合;
所述多个图像识别模型具体包括:针对小目标和上皮细胞的识别组合的图像识别模型;针对红细胞和白细胞的识别组合的图像识别模型;针对小目标单独识别的图像识别模型;针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
具体地,针对人体尿液中小目标、上皮细胞、红细胞和白细胞进行目标识别。其中,小目标是低倍显微镜下观察到的尺寸较小的若干类细胞的统称,其尺寸相对于上皮细胞、红细胞和白细胞相对较小,而上皮细胞、红细胞和白细胞之间尺寸相当。针对这四种识别对象的不同和组合作为模型的识别目标,共做了以下五组方法的实验:
A.利用上述模型和数据集,对小目标、上皮细胞、红细胞和白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
B.利用上述模型和数据集,对小目标、上皮细胞识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
C.利用上述模型和数据集,对红细胞和白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
D.利用上述模型和数据集,对小目标识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
E.利用上述模型和数据集,对上皮细胞、红细胞、白细胞同时识别;设置学习率、损失函数、终止误差、最大迭代次数等参数,划分数据集,其中80%用于训练,20%用于测试,通过最速下降法对模型进行训练;然后用测试集对模型进行评估。
应用上述五种方法生成五种模型,模型A、模型B、模型C、模型和模型E;
模型A:针对人体尿液中小目标、上皮细胞、红细胞和白细胞进行目标识别;
模型B:针对小目标和上皮细胞的识别组合的图像识别模型;
模型C:针对红细胞和白细胞的识别组合的图像识别模型;
模型D:针对小目标单独识别的图像识别模型;
模型E:针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
根据本发明第二方面的系统,所述第四处理模块104具体被配置为,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别的具体方法包括:
应用所述训练好的针对小目标和上皮细胞的识别组合的图像识别模型、针对红细胞和白细胞的识别组合的图像识别模型、针对小目标单独识别的图像识别模型和针对上皮细胞、红细胞和白细胞的识别的图像识别模型的组合对待识别的图像进行识别。
具体地,将任意一张待识别的图像经过模型D实现对小目标的识别,利用模型E实现对上皮细胞、红细胞、白细胞的识别,综合模型D和E的识别结果,从而实现对小目标、上皮细胞、红细胞、白细胞的识别;
所述模型D为针对小目标单独识别的图像识别模型;所述模型E为针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开第一方面中任一项的一种基于多模型的尿液的细胞识别方法中的步骤。
图5为根据本发明实施例的一种电子设备的结构图,如图5所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本发明公开第一方面中任一项的一种基于多模型的尿液的细胞识别方法中的步骤中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多模型的尿液的细胞识别方法,其特征在于,所述方法包括:
步骤S1、尿液图像的收集、挑选和标注,形成数据集;
步骤S2、构建基于深度卷积神经网络的图像识别模型;
步骤S3、针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
步骤S4、应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
2.根据权利要求1所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S1中,所述尿液图像的标注的具体方法包括:
10倍显微镜的图像标注为小目标和上皮细胞,40倍显微镜的图像标注为红细胞和白细胞。
3.根据权利要求1所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S2中,所述基于深度卷积神经网络的图像识别模型的具体结构包括:
特征提取网络、生成候选区域网络和分类网络;
所述特征提取网络提取所述尿液图像的特征;
所述生成候选区域网络对提取出的尿液图像的特征进行处理,选择出原图像中含有识别对象的潜在区域;
所述分类网络通过所述尿液图像的特征,计算所述潜在区域中含有识别目标的概率。
4.根据权利要求3所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S2中,所述基于深度卷积神经网络的图像识别模型的具体结构还包括:位置修正网络;
所述位置修正网络通过所述尿液图像的特征对所述潜在区域进行微调。
5.根据权利要求2所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S3中,所述不同的细胞识别组合具体包括:
所述小目标、上皮细胞、红细胞和白细胞的多种识别组合。
6.根据权利要求5所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S3中,所述多种识别组合具体包括:
小目标和上皮细胞的识别组合;红细胞和白细胞的识别组合;小目标单独识别;上皮细胞、红细胞和白细胞的识别组合;
所述多个图像识别模型具体包括:针对小目标和上皮细胞的识别组合的图像识别模型;针对红细胞和白细胞的识别组合的图像识别模型;针对小目标单独识别的图像识别模型;针对上皮细胞、红细胞和白细胞的识别的图像识别模型。
7.根据权利要求6所述的一种基于多模型的尿液的细胞识别方法,其特征在于,在所述步骤S4中,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别的具体方法包括:
应用所述训练好的针对小目标和上皮细胞的识别组合的图像识别模型、针对红细胞和白细胞的识别组合的图像识别模型、针对小目标单独识别的图像识别模型和针对上皮细胞、红细胞和白细胞的识别的图像识别模型的组合对待识别的图像进行识别。
8.一种用于基于多模型的尿液的细胞识别系统,其特征在于,所述系统包括:
第一处理模块,被配置为,尿液图像的收集、挑选和标注,形成数据集;
第二处理模块,被配置为,构建基于深度卷积神经网络的图像识别模型;
第三处理模块,被配置为,针对不同的细胞识别组合,应用所述数据集对所述图像识别模型进行训练、测试,得出训练好的针对不同细胞识别组合的多个图像识别模型;
第四处理模块,被配置为,应用所述训练好的针对不同细胞识别组合的多个图像识别模型的组合对待识别的图像进行识别。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至7中任一项所述的一种基于多模型的尿液的细胞识别方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的一种基于多模型的尿液的细胞识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108663.XA CN114495097A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多模型的尿液的细胞识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108663.XA CN114495097A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多模型的尿液的细胞识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495097A true CN114495097A (zh) | 2022-05-13 |
Family
ID=81476775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108663.XA Pending CN114495097A (zh) | 2022-01-28 | 2022-01-28 | 一种基于多模型的尿液的细胞识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495097A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
CN112257704A (zh) * | 2020-09-15 | 2021-01-22 | 深圳视见医疗科技有限公司 | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN113902669A (zh) * | 2021-08-24 | 2022-01-07 | 苏州深思考人工智能科技有限公司 | 一种尿脱落细胞液基涂片的阅片方法及系统 |
-
2022
- 2022-01-28 CN CN202210108663.XA patent/CN114495097A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109359569A (zh) * | 2018-09-30 | 2019-02-19 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
CN110473167A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别系统及方法 |
WO2021104410A1 (zh) * | 2019-11-28 | 2021-06-03 | 北京小蝇科技有限责任公司 | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 |
CN112257704A (zh) * | 2020-09-15 | 2021-01-22 | 深圳视见医疗科技有限公司 | 基于深度学习检测模型子宫颈液基细胞数字图像分类方法 |
CN113902669A (zh) * | 2021-08-24 | 2022-01-07 | 苏州深思考人工智能科技有限公司 | 一种尿脱落细胞液基涂片的阅片方法及系统 |
Non-Patent Citations (3)
Title |
---|
QINGBO JI, ET.AL: "Research_on_Urine_Sediment_Images_Recognition_Based_on_Deep_Learning", IEEE, 31 December 2019 (2019-12-31) * |
李悦;嵇启春;: "基于异常检测的尿沉渣图像分割", 计算机应用与软件, no. 06, 15 June 2017 (2017-06-15) * |
李逊: "基于深度学习的尿沉渣图像识别研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, 15 May 2021 (2021-05-15), pages 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN110866908B (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN110647875B (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN112288706A (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN107742290A (zh) | 植物病害识别预警方法及装置 | |
CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN112215807A (zh) | 基于深度学习的细胞图像自动分类方法及系统 | |
CN111046886A (zh) | 号码牌自动识别方法、装置、设备及计算机可读存储介质 | |
Shafi et al. | Embedded AI for wheat yellow rust infection type classification | |
CN113096080B (zh) | 图像分析方法及系统 | |
CN116486251A (zh) | 一种基于多模态融合的高光谱图像分类方法 | |
CN114495097A (zh) | 一种基于多模型的尿液的细胞识别方法和系统 | |
CN113096079B (zh) | 图像分析系统及其构建方法 | |
CN110414562A (zh) | X光片的分类方法、装置、终端及存储介质 | |
CN110363240A (zh) | 一种医学影像分类方法与系统 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
AU2021100367A4 (en) | A multi-task automatic analysis method for tongue manifestation | |
CN111462087B (zh) | 基于人工智能的图像检测方法、装置、系统及存储介质 | |
Amritraj et al. | An Automated and Fine-Tuned Image Detection and Classification System for Plant Leaf Diseases | |
CN113920378A (zh) | 基于注意力机制的柴胡种子识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |