[发明专利]一种基于形态学分割和深度学习的尿沉渣管型识别方法

说明书

一种基于形态学分割和深度学习的尿沉渣管型识别方法，涉及医学图像处理领域，用于解决现有尿沉渣管型自动识别漏检率及假阳率偏高的问题，方法包括以下步骤：对拍摄的原始彩色尿沉渣图像采用色彩迁移法进行线性变换，降低不同样本间原始图像的背景色彩差异，最大化缩小同类别管型所含颜色的整体跨度，使同类别管型数据分布更加聚集；采用形态学组合算法对色彩迁移后的图像进行管型分割，初步筛选后得到管型候选区域；对候选子图像做旋转、泊松融合等处理合成标准输入图像；将归一化后的图像数据输入残差神经网络模型进行网络训练、自动分类。本发明有益效果在于，鲁棒性更好，识别率更高，大大降低了尿沉渣临床检测中管型的漏检率及假阳性率。

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于形态学分割和深度学习的尿沉渣管型识别方法。

背景技术

管型是蛋白质在肾小管内凝聚而成的圆柱形蛋白聚体，随尿液排出。管型作为尿沉渣有形成分之一，是尿沉渣检查项目中必不可少的一项，具有重要的病理意义。管型类型的鉴别与临床症状相结合，对急性或者慢性肾炎，肾病综合征，糖尿病肾病等疾病的诊断有重要意义。

传统的尿沉渣有形成分检查采用人工镜检，工作强度大，人为因素影响高，难以定量检测。在实际检查中，医生的经验、心理状态乃至疲劳程度都可能对检验结果产生影响，导致诊断水平不够理想，降低了检查的准确性与可靠性。随着人工智能技术的快速发展，利用计算机辅助诊断技术,对尿沉渣有形成分进行自动定量分析，大大提高了临床诊断的准确性，减轻了检验人员的工作强度。

目前临床中使用的全自动尿沉渣分析仪，比如iQ200、UF-1000i等，受检测原理和技术所限，在管型这一指标的实际检测中存在较高的漏检率和假阳性率。主要是因为实际拍摄尿沉渣显微图像时，由于成像系统的不完善以及尿沉渣中管型的特殊生理结构，在未对尿液进行染色的情况下，管型在尿沉渣图像中的边缘大多比较模糊，尤其透明管型，内部没有颗粒且纹理与背景极度相似，使用单一的方法很难将其分割出来，降低了仪器的检测精度，同时给医生的诊断也带来了较大的影响；在对尿液进行染色的情况下，由于尿沉渣中不同类别细胞自身的生理特性，染液中的色素会不同程度的附着在细胞表面，形成的轮廓边缘更加清晰，对比度更强。同时不同类别的细胞在色彩上也呈现出较大的差异，区分度更高，整体染色前后对比效果较明显。但是通过实验测试发现，对尿液染色后产生了新的问题：由于不同病人的尿液样本之间酸碱度、颜色、粘稠度、病情严重程度等差异，导致染色后的图像色差较大。在使用同计量的染液下，不同尿液样本中同类别的细胞呈现出的颜色跨度过大，导致不同类别的细胞之间色彩交叉重叠变大，使后期Resnet50模型在训练时出现无法收敛，或者过拟合现象，最终引起假阳性率和漏检率的增加。

再加上复杂的尿液环境导致管型的颜色千差万别，形状各不相同，倾斜角度随机贯穿0°～360°，大大增加了管型的检测难度。同时目前现有的基于非端对端网络模型的管型识别方法中，在剪切单个管型子图像作为模型的输入时，都是依据管型的水平外接矩形进行裁剪。但由于管型的倾斜角度随机，依据水平外接矩形裁剪的图像包含了大量的背景像素和其他干扰成分，导致管型的像素区域占整个子图像的比重过小。这样的子图像含有的数据已严重倾斜，会使模型在分类时产生错误，增加了管型的漏检率和假阳性率。

为了提供更可靠的检验结果，进一步降低管型的漏检率和假阳性率，本发明设计了一种基于形态学分割和深度学习的尿沉渣管型识别方法，很好的降低了管型的漏检率和假阳性率，在实际临床检验中得到了高度的认可。

发明内容

为解决上述问题，本发明提供一种基于形态学分割和深度学习的尿沉渣管型识别方法。

本发明采用如下技术方案：

一种基于形态学分割和深度学习的尿沉渣管型识别方法，包括以下步骤：

S1、对拍摄的原始彩色尿沉渣图像采用色彩迁移法进行线性变换，降低不同样本间原始图像的背景色彩差异，最大化缩小同类别管型所含颜色的整体跨度，使同类别管型数据分布更加聚集；