基于深度学习的尿沉渣显微图像分割与分类方法研究

发布时间：2022-01-15 11:30

　　尿沉渣检查在肾脏疾病和泌尿系统疾病的诊断和鉴别中具有重要的作用,是医院常规检查项目之一。基于图像处理的尿沉渣显微图像分析是尿沉渣检查的重要手段,它主要包括尿沉渣显微图像中的有形成分分割和分类两部分。虽然目前基于深度学习的图像分割和分类研究已经取得较大的进展,但由于采集到的尿沉渣显微图像通常具有散焦模糊、背景噪声、有形成分边缘轮廓不清以及细胞粘连等问题,简单的基于卷积神经网络（Convolution Neural Network,CNN）分割尿沉渣显微图像中的有形成分,常会出现分割出的有形成分边缘不平滑,噪声点多,以及分割不够完整等问题。再有尿沉渣有形成分种类繁多、成分复杂、类间相似,类内差异大以及用于训练CNN的尿沉渣显微图像样本较少等问题,会造成卷积神经网络的分类性能不稳定。为此,本课题首先提出生成式对抗分割网络用于分割尿沉渣显微图像,其次提出基于迁移学习和集成CNN的分类方法用于尿沉渣显微图像分类,以提供可靠的尿沉渣显微图像有形成分分析结果。可见,本文的研究具有很大的学术价值和实用意义。本文开展的主要工作如下:（1）充分调研国内外关于尿沉渣显微图像分割和分类的相关研究方法。通过分析... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【图文】：

池化Fig.2.1Pooling

AlexNet结构

inception结构

【参考文献】：
期刊论文
[1]UF-1000i尿沉渣分析仪和尿干化学分析仪与显微镜检查在尿路感染中应用评价[J]. 张广波,周丽杰,曹笠.  医学综述. 2011(20)



本文编号：3590540