CN117011593A - 一种基于深度学习的尿蛋白自动识别和分类方法 - Google Patents
一种基于深度学习的尿蛋白自动识别和分类方法 Download PDFInfo
- Publication number
- CN117011593A CN117011593A CN202310841128.XA CN202310841128A CN117011593A CN 117011593 A CN117011593 A CN 117011593A CN 202310841128 A CN202310841128 A CN 202310841128A CN 117011593 A CN117011593 A CN 117011593A
- Authority
- CN
- China
- Prior art keywords
- image
- urine
- neural network
- network model
- urine protein
- 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 116
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 63
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 208000017169 kidney disease Diseases 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000002485 urinary effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000002331 protein detection Methods 0.000 abstract description 4
- 239000004973 liquid crystal related substance Substances 0.000 abstract 2
- 238000005259 measurement Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 201000001474 proteinuria Diseases 0.000 description 1
- 210000000512 proximal kidney tubule Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005353 urine analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度学习的尿蛋白自动识别和分类方法，应用于大数据领域，包括：S101：获取尿液图像；S102：构建ResNet卷积神经网络模型并评价模型准确性；S103：实时拍摄尿液图像，将图像导入ResNet卷积神经网络模型，输出所述尿液图像的尿蛋白浓度等级和分类；其中，所述尿蛋白浓度等级分为“‑”、“+”、“++”、“+++”和“++++”，所述分类包括健康人群和可疑肾脏病人群。本发明能够解决现有技术存在的尿蛋白检测缺乏准确性和可靠性，以及不适合快速和便捷检测的技术问题。
Description
技术领域
本发明属于大数据技术领域，具体涉及一种基于深度学习的尿蛋白自动识别和分类方法。
背景技术
尿蛋白是评估肾脏健康状况和筛查肾脏疾病的重要指标。通过检测尿液中的蛋白质含量，医生可以获得有关肾脏功能和泌尿系统病变的关键信息。正常情况下，肾小球滤过膜能够有效阻止相对分子质量在4万以上的蛋白质通过。虽然相对分子质量小于4万的蛋白质能够通过滤过膜，但又可被近曲小管重吸收。所以，健康成人每天通过尿液排出的蛋白质极少，一般常规定性方法检查呈阴性。当蛋白质浓度大于100mg/L或150mg/24h尿液，蛋白质定性检查呈阳性的尿液，称为蛋白尿。尿蛋白的存在是肾脏疾病(肾病综合症等)、糖尿病、高血压等疾病的指标之一，因此准确测定尿蛋白对于早期病变的发现、疾病诊断和监测治疗效果至关重要。
目前临床上广泛应用的尿蛋白检测方法包括尿液常规分析和尿蛋白定量测定。尿液常规分析通过目视检查和尿液分析仪来初步判断尿液中是否存在异常。这种方法简单、快速且成本较低，但其主要缺点是缺乏准确性和可靠性，特别是对于低浓度尿蛋白的检测灵敏度较低。尿蛋白定量测定方法是一种更准确的尿蛋白检测方法，通过化学分析或免疫学技术来定量尿液中的蛋白质含量。然而，传统的尿蛋白定量方法仍然存在局限性，它们需要复杂的实验室设备和专业的操作人员，因此不适合进行快速和便捷的应用。
发明内容
为了解决现有技术存在的尿蛋白检测缺乏准确性和可靠性，以及不适合快速和便捷检测的技术问题，本发明提供一种基于深度学习的尿蛋白自动识别和分类方法。
本发明提供了一种基于深度学习的尿蛋白自动识别和分类方法，包括：
S101：获取尿液图像；
S102：构建ResNet卷积神经网络模型并评价模型准确性；
S103：实时拍摄尿液图像，将图像导入ResNet卷积神经网络模型，输出所述尿液图像的尿蛋白浓度等级和分类；其中，所述尿蛋白浓度等级分为“-”、“+”、“++”、“+++”和“++++”，所述分类包括健康人群和可疑肾脏病人群。
与现有技术相比，本发明至少具有以下有益技术效果：
首先：采用非侵入式测量。在本发明中可以直接通过图像获取尿液样本的信息，无需额外的处理或检测步骤，避免传统方法中使用特定仪器的繁琐过程。
其次，准确性和精度高。本发明采用的深度学习模型在大规模数据集的训练下，具备学习和捕捉不同浓度尿蛋白模式的能力。它可以自动提取图像中的特征并进行识别和分类，从而提供可靠和精确的尿蛋白测定结果。
再者，自动化和高效性。本发明采用的图像深度学习方法可以实现自动化的尿蛋白分析流程，大大提高了测量的效率和速度；它能够在较短的时间内处理大量尿液样本，并提供即时的测量结果，有助于快速的诊断和监测。
最后，灵活性高和可扩展性强。本方案采用的深度学习模型可以通过训练适应不同样本类型和尿蛋白浓度范围。随着更多数据的积累和模型的优化，它可以逐渐扩展到不同种类的疾病诊断。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于深度学习的尿蛋白自动识别和分类方法的流程示意图；
图2是本发明提供的一种基于图像深度学习的尿蛋白识别和分类方法的拍摄背景的示意图；
图3是本发明提供的一种基于图像深度学习的尿蛋白识别和分类方法中深层神经网络模型的架构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的基于深度学习的尿蛋白自动识别和分类方法的流程示意图。
本发明提供的一种基于深度学习的尿蛋白自动识别和分类方法，包括：
S101：获取尿液图像。
可选地，在所述S101之前还包括：
将所述尿液图像的拍摄背景设置为具有横向条纹的拍摄背景。
S102：构建ResNet卷积神经网络模型并评价模型准确性。
可选地，S102，具体包括：
S1021：将所述尿液图像被划分为训练集图像以及测试集图像，其中，所述尿液图像包括正常人群的尿液图像和肾病患者的尿液图像。
可选地，S1021具体包括：
S10211：在所述拍摄背景下获取所述尿液图像，所述尿液图像包括正常人群的尿液图像和肾病患者的尿液图像；
S10212：对所述尿液图像进行预处理后，将所述尿液图像划分为训练集图像以及测试集图像。
可选地，S10212具体包括：
S102121：对所述尿液图像去除噪声。
可选地，所述S102121具体包括：
使用均值滤波算法对所述尿液图像，以使所述尿液图像中每个像素点的颜色值更新为滤波器窗口内像素的平均值，从而去除图像中的噪点。
S102122：对所述尿液图像进行图像尺寸调整。
可选地，所述S102122具体包括：
S1021221：将所述尿液图像裁剪为512*512的尺寸大小，以去除不包含尿液图像的部分；
S1021222：使用双线性插值方法将所述图像调整为224*224的尺寸大小。
S1022：将所述训练集图像输入神经网络模型，并输出正确分类结果，所述神经网络模型被训练为所述ResNet卷积神经网络模型。
可选地，所述S1022具体包括：
S10221：将所述训练集图像裁剪为224*224的尺寸大小的图像，作为输入图像输入至所述神经网络模型中。
S10222：所述输入图像经过一个卷积核大小为7x7，步长为2的卷积层和一个3x3最大池化层后，输出第一图像。
S10223：所述第一图像经过四个残差块，输出第二图像。
可选地，所述S10223具体包括：
S102231：将所述第一图像输入到所述四个残差块中，所述每个残差块包含三个步长为1的卷积层，三个卷积层的卷积核大小分别为1x1，3x3和1x1，并将所述第一图像经过每个所述残差块的三个所述卷积层的输入值和输出值相加，形成残差结构；
S102232：任意两个残差块之间包括一个步长为2的平均池化层，所述第一图像经过所述平均池化层后的特征图大小为7*7；
S102233：将所述大小为7*7的特征图通过一个步长为1的平均值池化后，使用全连接层，输出所述第二图像。
S10224：所述第二图像经过softmax激活函数计算获得每个尿蛋白类别的概率，从而作为尿蛋白浓度分类。
S1023：将所述测试集图像输入所述ResNet卷积神经网络模型，验证所述ResNet卷积神经网络模型准确性。
S103：实时拍摄尿液图像，将图像导入ResNet卷积神经网络模型，输出所述尿液图像的尿蛋白浓度等级和分类；其中，所述尿蛋白浓度等级分为“-”、“+”、“++”、“+++”和“++++”，所述分类包括健康人群和可疑肾脏病人群。
具体地，在实际使用过程中，为了表示尿蛋白浓度等级，采用符号进行等级分类。例如：当尿蛋白浓度等级为正常健康状态的情况下，采用“-”表示；当尿蛋白浓度为不正常的情况下，根据严重程度由低至高，采用“+”、“++”、“+++”和“++++”表示。例如，“+”表示尿蛋白浓度约为0.3g/L的情况，“++”表示尿蛋白浓度约为1.0g/L的情况，“+++”表示尿蛋白浓度约为3.0g/L的情况以及“++++”表示尿蛋白浓度约为10g/L的情况。当尿蛋白浓度等级为“++++”时，也就是最严重的状态。
深度学习方法与其他方法相比具有非侵入式测量、自动化和高效性、灵活性和可扩展性的优势，不仅方便正常人群在家进行健康筛查，早期发现和治疗疾病，还可以方便肾病患者进行动态观察和长期管理，减少医院就诊次数，释放医疗资源，减少医疗费用，进而促进健康管理和提高医疗效率。
可选地，在所述S102中验证所述ResNet卷积神经网络模型准确性还包括输出对所述ResNet卷积神经网络模型的评价指标，所述评价指标包括准确率、精确率、召回率和F1-指数。
准确率(Accuracy)：准确率是分类模型正确预测的样本数占总样本数的比例，其衡量了模型对所有样本的整体分类准确程度。准确率可采用公式：
其中，所述TP为真阳性的个数，所述TN为真阴性的个数，所述FP为假阳性的个数，所述FN为假阴性的个数。精确率(Precision)：精确率是在所有被模型预测为正例中，实际为正例的样本数占比，其衡量了模型在预测为正例的样本中的准确程度。精确率可采用公式：
其中，所述TP为真阳性的个数，所述FP为假阳性的个数。
召回率(Recall)：召回率是在所有实际正例中，被模型正确预测为正例的样本数占比，其衡量了模型对实际正例的识别能力，即模型对正例的覆盖率。召回率可采用公式：
其中，所述TP为真阳性的个数，所述FN为假阴性的个数。
F1指数(F1-Score)：F1指数是精确率和召回率的调和平均值，综合考虑了模型的准确率和召回率。F1指数可采用公式：
其中，在尿蛋白浓度等级分为“-”、“+”、“++”、“+++”和“++++”中，选择“++++”为正类，那么其余的四个等级“-”，“+”，“++”，“+++”就作为负类。而真阳性(TP)代表尿液真实情况是“++++”，算法判断为“++++”。假阳性(FP)代表尿液真实情况是“-”，“+”，“++”，“+++”其中之一，算法判断为“++++”。真阴性(TN)代表尿液真实情况是“-”，“+”，“++”，“+++”其中之一，算法判断为“-”，“+”，“++”，“+++”其中之一。假阴性(FN)代表尿液真实情况是“++++”，算法判断为“-”，“+”，“++”，“+++”其中之一。
与现有技术相比，本发明至少具有以下有益技术效果：
首先：采用非侵入式测量。在本发明中可以直接通过图像获取尿液样本的信息，无需额外的处理或检测步骤，避免传统方法中使用特定仪器的繁琐过程。
其次，准确性和精度高。本发明采用的深度学习模型在大规模数据集的训练下，具备学习和捕捉不同浓度尿蛋白模式的能力。它可以自动提取图像中的特征并进行识别和分类，从而提供可靠和精确的尿蛋白测定结果。
再者，自动化和高效性。本发明采用的图像深度学习方法可以实现自动化的尿蛋白分析流程，大大提高了测量的效率和速度；它能够在较短的时间内处理大量尿液样本，并提供即时的测量结果，有助于快速的诊断和监测。
最后，灵活性高和可扩展性强。本方案采用的深度学习模型可以通过训练适应不同样本类型和尿蛋白浓度范围。随着更多数据的积累和模型的优化，它可以逐渐扩展到不同种类的疾病诊断。
综上所述，利用图像深度学习进行尿蛋白识别和分类不仅可以使正常人群在家进行健康筛查，早期发现和治疗疾病，而且可以方便肾病患者进行动态观察和长期管理，这有助于减少医院就诊次数，释放医疗资源，并减少医疗费用，这一技术的应用有助于促进健康管理和提高医疗效率。
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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于深度学习的尿蛋白自动识别和分类方法，其特征在于，包括：
S101：获取尿液图像；
S102：构建ResNet卷积神经网络模型并评价模型准确性；
S103：实时拍摄尿液图像，将图像导入ResNet卷积神经网络模型，输出所述尿液图像的尿蛋白浓度等级和分类；其中，所述尿蛋白浓度等级分为“-”、“+”、“++”、“+++”和“++++”，所述分类包括健康人群和可疑肾脏病人群。
2.根据权利要求1所述的尿蛋白自动识别和分类方法，其特征在于，所述S102具体包括：
S1021：将所述尿液图像划分为训练集图像以及测试集图像，其中，所述尿液图像包括正常人群的尿液图像和肾病患者的尿液图像；
S1022：将所述训练集图像输入神经网络模型，并输出正确分类结果，所述神经网络模型被训练为所述ResNet卷积神经网络模型；
S1023：将所述测试集图像输入所述ResNet卷积神经网络模型，验证所述ResNet卷积神经网络模型准确性。
3.根据权利要求2所述的尿蛋白自动识别和分类方法，其特征在于，在所述S101之前还包括：
将所述尿液图像的拍摄背景设置为具有横向条纹的拍摄背景。
4.根据权利要求3所述的尿蛋白自动识别和分类方法，其特征在于，所述S1021具体包括：
S10211：在所述拍摄背景下获取所述尿液图像，所述尿液图像包括正常人群的尿液图像和肾病患者的尿液图像；
S10212：对所述尿液图像进行预处理后，将所述尿液图像划分为训练集图像以及测试集图像。
5.根据权利要求3所述的尿蛋白自动识别和分类方法，其特征在于，所述S10212具体包括：
S102121：对所述尿液图像去除噪声；
S102122：对所述尿液图像进行图像尺寸调整。
6.根据权利要求5所述的尿蛋白自动识别和分类方法，其特征在于，所述S102121具体包括：
使用均值滤波算法对所述尿液图像，以使所述尿液图像中每个像素点的颜色值更新为滤波器窗口内像素的平均值，从而去除图像中的噪点。
7.根据权利要求5所述的尿蛋白自动识别和分类方法，其特征在于，所述S102122具体包括：
S1021221：将所述尿液图像裁剪为512*512的尺寸大小，以去除不包含尿液图像的部分；
S1021222：使用双线性插值方法将所述图像调整为224*224的尺寸大小。
8.根据权利要求2所述的尿蛋白自动识别和分类方法，其特征在于，所述S1022具体包括：
S10221：将所述训练集图像裁剪为224*224的尺寸大小的图像，作为输入图像输入至所述神经网络模型中；
S10222：所述输入图像经过一个卷积核大小为7x7，步长为2的卷积层和一个3x3最大池化层后，输出第一图像；
S10223：所述第一图像经过四个残差块，输出第二图像；
S10224：所述第二图像经过softmax激活函数计算获得每个尿蛋白类别的概率，从而作为尿蛋白浓度分类。
9.根据权利要求8所述的尿蛋白自动识别和分类方法，其特征在于，所述S10223具体包括：
S102231：将所述第一图像输入到所述四个残差块中，所述每个残差块包含三个步长为1的卷积层，三个卷积层的卷积核大小分别为1x1，3x3和1x1，并将所述第一图像经过每个所述残差块的三个所述卷积层的输入值和输出值相加，形成残差结构；
S102232：任意两个残差块之间包括一个步长为2的平均池化层，所述第一图像经过所述平均池化层后的特征图大小为7*7；
S102233：将所述大小为7*7的特征图通过一个步长为1的平均值池化后，使用全连接层，输出所述第二图像。
10.根据权利要求2所述的尿蛋白自动识别和分类方法，其特征在于，所述验证所述ResNet卷积神经网络模型准确性，具体包括输出对所述ResNet卷积神经网络模型的评价指标，所述评价指标包括准确率、精确率、召回率和F1-指数；并遵循公式：
其中，所述TP为真阳性的个数，所述TN为真阴性的个数，所述FP为假阳性的个数，所述FN为假阴性的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841128.XA CN117011593A (zh) | 2023-07-10 | 2023-07-10 | 一种基于深度学习的尿蛋白自动识别和分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310841128.XA CN117011593A (zh) | 2023-07-10 | 2023-07-10 | 一种基于深度学习的尿蛋白自动识别和分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011593A true CN117011593A (zh) | 2023-11-07 |
Family
ID=88568314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310841128.XA Pending CN117011593A (zh) | 2023-07-10 | 2023-07-10 | 一种基于深度学习的尿蛋白自动识别和分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011593A (zh) |
-
2023
- 2023-07-10 CN CN202310841128.XA patent/CN117011593A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2640568C2 (ru) | Способы и системы для оценки риска рака желудочно-кишечного тракта | |
| AU670938B2 (en) | Method for identifying normal biomedical specimens | |
| KR20060030115A (ko) | 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체 | |
| CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN115131630A (zh) | 模型训练、微卫星状态预测方法、电子设备及存储介质 | |
| Adorno III et al. | Advancing eosinophilic esophagitis diagnosis and phenotype assessment with deep learning computer vision | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
| CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| Africa et al. | Development of a urine strip analyzer using artificial neural network using an android phone | |
| CN112489022A (zh) | 基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统 | |
| CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
| CN117011593A (zh) | 一种基于深度学习的尿蛋白自动识别和分类方法 | |
| CN115270998A (zh) | 时间序列的有序分类方法、装置、计算机设备及存储介质 | |
| CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
| Tasya et al. | Breast Cancer Detection Using Convolutional Neural Network with EfficientNet Architecture | |
| CN113553991A (zh) | 一种基于深度学习的舌象识别方法 | |
| CN112807008A (zh) | 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统 | |
| Zeb et al. | Towards the Selection of the Best Machine Learning Techniques and Methods for Urinalysis | |
| CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
| CN113555118B (zh) | 一种病症程度的预测方法、装置、电子设备及存储介质 | |
| CN113723441B (zh) | 一种唇腺病理智能分析系统及方法 | |
| CN115240000B (zh) | 一种用于法医鉴定的糖尿病检测装置及方法 | |
| CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 |
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 |