發(fā)布時(shí)間：2022-01-24 14:06

　　尿沉渣檢測(cè)是醫(yī)院常規(guī)檢測(cè)項(xiàng)目之一,是指利用顯微鏡對(duì)離心后尿液的沉渣物即有形成分進(jìn)行檢測(cè),為相關(guān)病情的判定提供定量的指標(biāo),具有十分重要的意義。傳統(tǒng)的人工鏡檢工作量大,操作繁瑣并且效率低下,容易漏檢和誤檢。近年來(lái),基于圖像處理技術(shù)的自動(dòng)尿沉渣檢測(cè)成為一個(gè)研究熱點(diǎn),但由于尿沉渣顯微圖像采集過(guò)程的不確定性,尿沉渣顯微圖像的質(zhì)量往往較低,伴有較多的噪聲和粘連,使用圖像處理的方法很難得到精確的圖像分割結(jié)果從而影響后續(xù)的特征提取和分類識(shí)別過(guò)程。為了解決上述問(wèn)題,本文利用機(jī)器學(xué)習(xí)方法,對(duì)尿沉渣顯微圖像中有形成分的檢測(cè)算法進(jìn)行研究。基于本課題數(shù)據(jù)集,本文主要研究有形成分中紅細(xì)胞和白細(xì)胞的檢測(cè),具體的工作如下:1、依托項(xiàng)目,對(duì)公司提供的尿沉渣顯微圖像進(jìn)行預(yù)處理,參照《實(shí)用尿液有形成分圖鑒》一書和相關(guān)專業(yè)人員的培訓(xùn),進(jìn)行數(shù)據(jù)集的制作,包括圖像的標(biāo)注,單樣本的裁剪和數(shù)據(jù)增廣。2、提出了一種基于聚合通道特征（ACF）的尿沉渣檢測(cè)算法,將傳統(tǒng)的圖像分割+特征提取+分類識(shí)別任務(wù)轉(zhuǎn)變?yōu)闄z測(cè)任務(wù)。采用聚合通道特征及其變種,結(jié)合基于決策樹的Adaboost分類器,針對(duì)不同的尿沉渣有形成分設(shè)計(jì)不同的檢測(cè)器。實(shí)驗(yàn)驗(yàn)證了提出算... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)人工鏡檢流程圖

東南大學(xué)碩士學(xué)位論文2算機(jī)，通過(guò)采集裝備采集尿沉渣顯微圖像傳輸?shù)接?jì)算機(jī)，在計(jì)算機(jī)中通過(guò)設(shè)計(jì)好的檢測(cè)方法對(duì)顯微圖像進(jìn)行自動(dòng)分析從而獲得定量的結(jié)果[5]，流程如圖1.2所示。因此自動(dòng)尿沉渣檢測(cè)對(duì)相應(yīng)的檢測(cè)算法在精確度和速度上有著較高的要求，設(shè)計(jì)出性能優(yōu)良的檢測(cè)算法意義重大。圖1.2自動(dòng)尿沉渣檢測(cè)流程目前主流的尿沉渣檢測(cè)算法主要是使用圖像處理技術(shù)進(jìn)行的，近幾年由于機(jī)器學(xué)習(xí)技術(shù)迅猛發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)[6]等也被嘗試應(yīng)用于尿沉渣檢測(cè)，并取得了不錯(cuò)的檢測(cè)效果。國(guó)內(nèi)外已經(jīng)有多種自動(dòng)尿沉渣分析儀出現(xiàn)，按照其采用的技術(shù)，可分為兩類：攝像式分析儀和非攝像式分析儀。攝像式分析儀主要采用圖像分析法，非攝像式分析儀主要采用流式分析法和干化學(xué)分析法，其中流式分析法是利用流式細(xì)胞術(shù)原理和電阻抗結(jié)合的測(cè)量技術(shù)[7]，對(duì)細(xì)胞的電導(dǎo)率等信息進(jìn)行綜合判斷從而進(jìn)行分類統(tǒng)計(jì)，干化學(xué)分析法是利用有形成分中的有機(jī)物和化學(xué)試劑產(chǎn)生化學(xué)反應(yīng)，從而產(chǎn)生顏色上的變化這一機(jī)制來(lái)進(jìn)行檢測(cè)。非攝像式分析儀相比于攝像式分析儀，對(duì)有形成分識(shí)別的種類有限，并且漏檢率和誤檢率高，運(yùn)營(yíng)的成本也較高[8]，因此攝像式分析儀成為主流。1988年，第一臺(tái)高速攝像式尿沉渣自動(dòng)分析儀“YellowIRIS”誕生于美國(guó)，此設(shè)備是將標(biāo)本的粒子影像展示在計(jì)算機(jī)屏幕上，而后由檢驗(yàn)人員進(jìn)行鑒別。在此之后，1990年，日本與美國(guó)進(jìn)行合作，研發(fā)出UA-1000以及UA-2000型尿沉渣自動(dòng)分析儀，此設(shè)備處理能力較低，管型分辨不清，重復(fù)性較差，并且價(jià)格昂貴，未能得到推動(dòng)和普及。1996年，德國(guó)研制出SEDTRON尿沉渣自動(dòng)分析儀，此設(shè)備使用影像系統(tǒng)結(jié)合計(jì)算機(jī)技術(shù)進(jìn)行分析，取得了不錯(cuò)的檢測(cè)效果。2003年，美國(guó)國(guó)際遙控成像系統(tǒng)有限公司研制出來(lái)IQ200系列攝像式尿液分析儀，這?

ugh變換[18]常被用于細(xì)胞的檢測(cè)，Cao等人[19]提出使用改進(jìn)的索貝爾算子來(lái)進(jìn)行圖像分割，然后采用霍夫變換來(lái)檢測(cè)紅細(xì)胞。Mahmood等人[20]認(rèn)為形態(tài)學(xué)是圖像處理的一個(gè)有力工具，并將其用于紅細(xì)胞的分割和提取，然后采用Hough變換進(jìn)行紅細(xì)胞的檢測(cè)。王可佳[21]提出了一種改進(jìn)的Hough變換算法用來(lái)胸水顯微細(xì)胞圖像的分割，針對(duì)于圖像中細(xì)胞的規(guī)則多為圓和橢圓這一特點(diǎn)，將圓作為橢圓的一種特殊情況來(lái)處理，使得改進(jìn)的算法可以同時(shí)檢測(cè)圓和橢圓，具有較高的檢測(cè)率。1.2.2基于機(jī)器學(xué)習(xí)的方法基于機(jī)器學(xué)習(xí)方法的尿沉渣檢測(cè)流程如圖1.4所示。隨著機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展，科研人員開始將此技術(shù)應(yīng)用到醫(yī)療領(lǐng)域，支持向量機(jī)、決策樹、卷積神經(jīng)網(wǎng)絡(luò)等越來(lái)越多的被用來(lái)解決細(xì)胞的檢測(cè)識(shí)別問(wèn)題，并取得了不錯(cuò)地效果。該方法可以有效的解決基于圖像處理的方法存在的兩個(gè)重要問(wèn)題：一是可以有效的避免由于圖像分割效果不理想帶來(lái)的檢測(cè)精度差的影響；二是可以有效的提高特征的表達(dá)能力，而不是基于圖像處理的方法，只能提取周長(zhǎng)面積等簡(jiǎn)單幾何特征。本文的主要工作即是圍繞著機(jī)器學(xué)習(xí)相關(guān)方法展開的。圖1.4基于機(jī)器學(xué)習(xí)的尿沉渣檢測(cè)流程尿沉渣檢測(cè)方面的研究，機(jī)器學(xué)習(xí)方法的應(yīng)用還處在起步階段。Shen等人[22]提出使用SVM結(jié)合Adaboost算法進(jìn)行尿沉渣檢測(cè)，選擇的手工特征為Haar-like特征，首先使用Adaboost算法挑選若干個(gè)有分辨力的Haar-like特征，作為最終的要提取的特征，然后將提取出的Haar-like特征送入SVM分類器進(jìn)行分類，針對(duì)于每一類有形成分，都有一個(gè)SVM分類器，因此每一類的SVM分類器都通過(guò)一對(duì)多的形式訓(xùn)練得出，采用級(jí)聯(lián)結(jié)構(gòu)來(lái)加快檢測(cè)速度，實(shí)驗(yàn)證明采用Adaboost算法進(jìn)行特征的選取，特征更為豐富且更具分辨力，最終的分類性能最好。2015年Liu

【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[2]基于HOG特征和滑動(dòng)窗口的乳腺病理圖像細(xì)胞檢測(cè)[J]. 項(xiàng)磊,徐軍.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2015(01)
[3]改進(jìn)的分水嶺圖像分割算法[J]. 孫惠杰,鄧廷權(quán),李艷超.  哈爾濱工程大學(xué)學(xué)報(bào). 2014(07)
[4]一種基于改進(jìn)Canny的邊緣檢測(cè)算法[J]. 許宏科,秦嚴(yán)嚴(yán),陳會(huì)茹.  紅外技術(shù). 2014(03)
[5]KNN算法綜述[J]. 閉小梅,閉瑞華.  科技創(chuàng)新導(dǎo)報(bào). 2009(14)
[6]尿沉渣分析儀的發(fā)展和應(yīng)用簡(jiǎn)述[J]. 斯健.  現(xiàn)代醫(yī)學(xué)儀器與應(yīng)用. 2007(05)
[7]基于集成學(xué)習(xí)的Adaboost演化決策樹算法[J]. 趙敏,陳恩紅,宋睿.  計(jì)算機(jī)應(yīng)用與軟件. 2007(03)
[8]用Prewitt算子細(xì)化邊緣[J]. 劉明艷,趙景秀,孫寧.  光電子技術(shù). 2006(04)
[9]流形學(xué)習(xí)概述[J]. 徐蓉,姜峰,姚鴻勛.  智能系統(tǒng)學(xué)報(bào). 2006(01)
[10]圖像處理中GAMMA校正的研究和實(shí)現(xiàn)[J]. 彭國(guó)福,林正浩.  電子工程師. 2006(02)

碩士論文
[1]尿沉渣圖像分割與識(shí)別算法研究[D]. 劉睿.重慶大學(xué) 2016
[2]面向靜態(tài)圖片行人檢測(cè)的局部特征學(xué)習(xí)方法應(yīng)用研究[D]. 年雪潔.東南大學(xué) 2016
[3]尿沉渣顯微圖像有形成分分割與特征提取方法研究[D]. 于林杰.重慶大學(xué) 2016
[4]尿沉渣顯微圖像的自動(dòng)檢測(cè)與識(shí)別方案研究[D]. 陳聰.華中科技大學(xué) 2014
[5]尿沉渣圖像中紅白細(xì)胞的分割與識(shí)別[D]. 趙少華.西安科技大學(xué) 2013
[6]Hough變換在顯微細(xì)胞圖像分割中的應(yīng)用[D]. 王可佳.內(nèi)蒙古師范大學(xué) 2007



本文編號(hào)：3606711