[发明专利]基于卷积神经网络的阴道分泌物显微图像有形成分检测方法

权利要求书

1.一种基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，该方法包括以下具体步骤：

步骤1：在训练图像集上，标记阴道分泌物显微图像中的有形成分，使用selectivesearch算法提取图像中有形成分目标的候选位置，并判定其标签；

步骤2：搭建卷积神经网络，所述卷积神经网络包括五个并行支路，每个支路由数个卷积层、batch normalization层和池化层组成，每个支路经过GAP层后融合为一路，接全连接层和softmax层；

步骤3：将步骤1提取到的候选位置处的图像和它相邻上、下、左、右四块相同大小图像分别作为五个支路输入步骤2搭建的网络，以最小化softmax loss函数为目标训练出能对候选区域识别的神经网络模型；

步骤4：与步骤1相同，在测试图像集中，使用selective search算法提取阴道分泌物的有形成分候选位置，将候选位置处的图像与和它相邻上、下、左、右四个图像块输入至步骤3训练好的神经网络模型中，得到候选位置图像的类别，同时使用非极大值抑制算法删除重叠检测框；最后将检测目标的位置与识别的类别同时输出。

2.根据权利要求1所述的基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，所述步骤1具体为：

人工标记训练集图像中阴道分泌物显微图像中的有形成分，得到各个人工标注框；

使用selective search算法得到有形成分的候选位置，作为候选目标；

计算候选目标与各个人工标注框的交并比IOU；

若候选位置与某一人工标注框的IOU大于预设的阈值TH，则将此候选位置标记为此人工标注框所属的类别；其中，TH取值范围为0到1之间；

若没有一个人工标注框与其IOU大于TH，则丢弃此候选目标；

其中标记的阴道分泌物有形成分分为8类，包括白细胞、上皮细胞、油滴、红细胞、念珠菌、滴虫、精子、杂质。

3.根据权利要求1所述的基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，所述步骤2具体为：

所述卷积神经网络有五个并行的支路，每个支路的输入是步骤1得到的有形成分候选位置处和它的上、下、左、右四个邻域处的图像，每个支路的前两层卷积层共享卷积核参数，即卷积核参数完全相同，且候选位置所在的支路的最后一层卷积层的卷积核个数等于其余四路最后一层卷积层的卷积核个数的总和；五个支路网络分别经过GAP层后输出一维向量，将各支路得到的向量连接，再送入以目标类别个数为输出的全连接层，最后通过softmax层输出各类别的预测概率；

其中，softmax层的输出类别为8类，包括白细胞、上皮细胞、油滴、红细胞、念珠菌、滴虫、精子、杂质。

4.根据权利要求1所述的基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，所述步骤3具体为：

候选位置处的图像块和其相邻上、下、左、右四块相同大小图像块分别作为五个支路神经网络的五个输入，以最小化softmax loss函数为目标，使用BP算法迭代更新神经网络的参数直至softmax loss函数收敛，训练得到目标识别的神经网络模型。

5.根据权利要求1所述的基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，所述步骤4具体为：

使用selective search算法提取测试集图像中的有形成分候选位置，提取到的候选位置存在较多相互重叠；将各个候选位置输入步骤3训练好的神经网络模型，对每个候选位置均输出预测的类别及概率，使用非极大值抑制算法对每个候选位置只保留预测概率最大的检测框，去除其余重叠的检测框。

6.根据权利要求5所述的基于卷积神经网络的阴道分泌物显微图像有形成分检测方法，其特征在于，所述非极大值抑制算法具体为：

对每个检测框以预测概率从高到低排序；

取预测概率最高的检测框作为当前框；

遍历其余的框，如果与当前框的交并比IOU大于TH，则删除此框；

从未处理的框中继续选一个预测概率最高的，重复上一步，直至处理完所有框。