基于深度学习的尿液有形成分智能识别方法研究

发布时间：2023-11-16 20:22

　　随着现代人们的生活节奏和饮食习惯正在发生重大的结构性改变,全球肾脏功能疾病的发病率和致死率急剧的增长,特别是慢性的肾脏功能疾病亟待引起人们重视。定期进行尿液筛查能让患者及时地接受治疗,延迟和制止肾脏发生损伤。其中,临床上尿液有形成分的分析和诊断对于肾脏功能疾病以及相关疾病的筛查和预防治疗都具有重要的意义,它有助于及时提供患者尿液中细胞类别及数量的相关信息,进而为泌尿外科医生对肾脏功能疾病的诊断和治疗提供了科学的临床依据。因此,对于尿液有形成分中的细胞类型以及数量进行精确分析和检测意义重大。尿液有形成分检测作为医院检验科三大常规(尿液,血液,粪便)诊断手段之一,在体外诊断检测技术中发挥着重要的作用。其中显微成像法是尿液有形成分检查的标准方法。但是由于人工镜检的主观性、耗时性,和各类检测识别算法的优劣程度,以前的研究不认为是很充分的。在本研究中,一种基于深度学习的尿液有形成分智能识别方法被提出。它是一种通过深度学习算法,对尿液有形成分镜检图像进行智能检测的新型方法。与其他典型的方法相比,它增加了尿液检测的细胞类别数量,极大的提高了识别准确率与速度。本研究内容主要包括以下四点:1.建立尿液有...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 本课题国内外研究现状
    1.3 现有研究存在的问题及挑战
    1.4 本课题研究内容
    1.5 本文的组织结构
第2章 尿液有形成分图像数据库的建立
    2.1 图像数据库建立的意义
    2.2 图像数据库建立的方法
        2.2.1 尿液计数玻片的制备
        2.2.2 尿液图像的标定
        2.2.3 图像的预处理
第3章 尿液有形成分粗分类研究分析
    3.1 深度学习目标检测方法综述
        3.1.1 基于候选区域的目标检测算法
        3.1.2 基于回归的目标检测算法
    3.2 YOLO系列目标检测算法研究
    3.3 利用YOLOV3网络模型对尿液有形成分进行粗分类
        3.3.1 网络模型的构建
        3.3.2 图像数据集的准备
        3.3.3 模型的训练方法与评估
    3.4 实验结果与讨论
        3.4.1 实验结果的评判指标
        3.4.2 结果的讨论
        3.4.3 结果与其他方法进行对比
    3.5 实验总结
第4章 尿液有形成分精细分类(30类)研究
    4.13 0类细胞成分的介绍及其临床意义
    4.2 Retinanet网络模型的设计
        4.2.1 特征的提取与分类回归
        4.2.2 损失函数
        4.2.3 模型结构
    4.3 训练策略及过程
    4.4 实验结果与讨论
        4.4.1 结果分析
        4.4.2 结果与其他方法对比
        4.4.3 结果的改进与讨论
    4.5 实验总结
第5章 尿液有形成分多焦点融合算法研究
    5.1 算法研究的背景与意义
    5.2 算法所要解决的问题
    5.3 算法处理流程与具体实现
        5.3.1 算法流程图
        5.3.2 实验过程
    5.4 结果对比与讨论
    5.5 实验总结
第6章 总结与展望
    6.1 总结
    6.2 研究展望
参考文献
指导教师对学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果



本文编号：3864514