[发明专利]一种多形态的医学精子图像分类方法

说明书

本发明属于图像识别技术领域，具体涉及一种多形态医学精子图像分类方法；利用深度学习和图像识别方法中的CNN模型，将深度残差网络ResNet中的深度残差模块Residual block引入到CNN模型结构中构建出一种多形态分类深度残差网络模型，对该网络模型进行训练后即可实现多形态的医学精子图像分类；本发明利用深度学习的方法将精子的头部形态进行分类，实现精子头部正常的椭圆形和异常的锥形、梨形、圆形、不定性这五种形态的准确分类，减小主观性带来的误差。

技术领域

本发明属于图像识别技术领域，具体涉及一种多形态医学精子图像分类方法。

背景技术

全世界多达15％的夫妇受到不孕不育的影响，进行精液分析是诊断男性不育的主要方式之一，而在精液分析中，精子形态分析SMA(sperm morphology analysis)是评估的重要因素之一。目前，精子形态分析，大多靠该领域的专家人工地去将其分类。因此人工精子形态分析有着客观性不足、人工方法难以标准化、实施和控制难以及技术人员之间的高度差异等缺点。随着计算机技术，特别是计算机视觉技术、机器学习理论、深度学习理论的发展，利用计算机进行多种形态的医学精子图像识别已经越来越常见。然而现有的计算机精子识别算法分类过于简单，准确率不高，还不能够达到精准医疗的要求，因此迫切需要设计出一种新的多形态精子分类算法来有效解决目前存在的这些技术问题。

发明内容

为了克服上述问题，本发明提供一种多形态医学精子图像分类方法，利用深度学习的方法将精子的头部形态进行分类，实现精子头部正常的椭圆形和异常的锥形、梨形、圆形、不定性这五种形态的准确分类，减小主观性带来的误差。

本发明利用深度学习和图像识别方法中的CNN模型，将深度残差网络ResNet中的深度残差模块Residual block引入到CNN模型结构中构建出一种多形态分类深度残差网络模型，对该网络模型进行训练后即可实现多形态的医学精子图像分类。

一种多形态的医学精子图像分类方法，首先构建出多形态分类深度残差网络模型，该网络模型是由输入层的卷积层、8个Residual block模块以及三个全连接层集成在一起组成的微型ResNet卷积神经网络模型，其次对该多形态分类深度残差网络模型进行训练，得到训练好的多形态分类深度残差网络模型即可实现多形态的医学精子图像分类。

所述的多形态分类深度残差网络模型中的第一个卷积组是一个输入层卷机组，包含三个卷积层，每层的卷积核均为64个，每个卷积核大小均为3×3；

多形态分类深度残差网络模型中的第二个卷积组包含两个深度残差模块Residual block，每个深度残差模块是由两个卷积层网络串接在一起，故深度残差网络ResNet第二个卷积组共包含四个卷积层，每层的卷积核个数为64个，每个卷积核大小为3×3；

多形态分类深度残差网络模型中的第三个卷机组包含两个深度残差模块Residual block，每个深度残差模块是由两个卷积层网络串接在一起，故深度残差网络ResNet第三个卷积组共包含四个卷积层，每层的卷积核个数为128个，每个卷积核的大小为3×3；

多形态分类深度残差网络模型中的第四个卷机组包含两个深度残差模块Residual block，每个深度残差模块是由两个卷积层网络串接在一起，故深度残差网络ResNet第四个卷积组共包含四个卷积层，每层的卷积核个数为256个，每个卷积核的大小为3×3；

多形态分类深度残差网络模型中的第五个卷机组包含两个Residual block模块，每个残差模块是由两个卷积层网络串接在一起，故深度残差网络ResNet第五个卷积组共包含四个卷积层，每层的卷积核个数为512个，每个卷积核的大小为3×3；

多形态分类深度残差网络模型中的三个全连接层作为一个整体起到分类器的作用，将三个全连接层的分类分别设置为五分类，即可输出正常椭圆形精子，异常锥形精子，异常梨形精子，异常圆形精子，异常的不定形精子这五类。