尿沉渣檢測是醫(yī)院常規(guī)檢測項目之一,是指利用顯微鏡對離心后尿液的沉渣物即有形成分進行檢測,為相關(guān)病情的判定提供定量的指標,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,基于圖像處理技術(shù)的自動尿沉渣檢測成為一個研究熱點,但由于尿沉渣顯微圖像采集過程的不確定性,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別過程。為了解決上述問題,本文利用機器學習方法,對尿沉渣顯微圖像中有形成分的檢測算法進行研究。基于本課題數(shù)據(jù)集,本文主要研究有形成分中紅細胞和白細胞的檢測,具體的工作如下:1、依托項目,對公司提供的尿沉渣顯微圖像進行預處理,參照《實用尿液有形成分圖鑒》一書和相關(guān)專業(yè)人員的培訓,進行數(shù)據(jù)集的制作,包括圖像的標注,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）的尿沉渣檢測算法,將傳統(tǒng)的圖像分割+特征提取+分類識別任務轉(zhuǎn)變?yōu)闄z測任務。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,針對不同的尿沉渣有形成分設(shè)計不同的檢測器。實驗驗證了提出算... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

傳統(tǒng)人工鏡檢流程圖

東南大學碩士學位論文2算機，通過采集裝備采集尿沉渣顯微圖像傳輸?shù)接嬎銠C，在計算機中通過設(shè)計好的檢測方法對顯微圖像進行自動分析從而獲得定量的結(jié)果[5]，流程如圖1.2所示。因此自動尿沉渣檢測對相應的檢測算法在精確度和速度上有著較高的要求，設(shè)計出性能優(yōu)良的檢測算法意義重大。圖1.2自動尿沉渣檢測流程目前主流的尿沉渣檢測算法主要是使用圖像處理技術(shù)進行的，近幾年由于機器學習技術(shù)迅猛發(fā)展，卷積神經(jīng)網(wǎng)絡[6]等也被嘗試應用于尿沉渣檢測，并取得了不錯的檢測效果。國內(nèi)外已經(jīng)有多種自動尿沉渣分析儀出現(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分析法，其中流式分析法是利用流式細胞術(shù)原理和電阻抗結(jié)合的測量技術(shù)[7]，對細胞的電導率等信息進行綜合判斷從而進行分類統(tǒng)計，干化學分析法是利用有形成分中的有機物和化學試劑產(chǎn)生化學反應，從而產(chǎn)生顏色上的變化這一機制來進行檢測。非攝像式分析儀相比于攝像式分析儀，對有形成分識別的種類有限，并且漏檢率和誤檢率高，運營的成本也較高[8]，因此攝像式分析儀成為主流。1988年，第一臺高速攝像式尿沉渣自動分析儀“YellowIRIS”誕生于美國，此設(shè)備是將標本的粒子影像展示在計算機屏幕上，而后由檢驗人員進行鑒別。在此之后，1990年，日本與美國進行合作，研發(fā)出UA-1000以及UA-2000型尿沉渣自動分析儀，此設(shè)備處理能力較低，管型分辨不清，重復性較差，并且價格昂貴，未能得到推動和普及。1996年，德國研制出SEDTRON尿沉渣自動分析儀，此設(shè)備使用影像系統(tǒng)結(jié)合計算機技術(shù)進行分析，取得了不錯的檢測效果。2003年，美國國際遙控成像系統(tǒng)有限公司研制出來IQ200系列攝像式尿液分析儀，這?

ugh變換[18]常被用于細胞的檢測，Cao等人[19]提出使用改進的索貝爾算子來進行圖像分割，然后采用霍夫變換來檢測紅細胞。Mahmood等人[20]認為形態(tài)學是圖像處理的一個有力工具，并將其用于紅細胞的分割和提取，然后采用Hough變換進行紅細胞的檢測。王可佳[21]提出了一種改進的Hough變換算法用來胸水顯微細胞圖像的分割，針對于圖像中細胞的規(guī)則多為圓和橢圓這一特點，將圓作為橢圓的一種特殊情況來處理，使得改進的算法可以同時檢測圓和橢圓，具有較高的檢測率。1.2.2基于機器學習的方法基于機器學習方法的尿沉渣檢測流程如圖1.4所示。隨著機器學習技術(shù)的迅速發(fā)展，科研人員開始將此技術(shù)應用到醫(yī)療領(lǐng)域，支持向量機、決策樹、卷積神經(jīng)網(wǎng)絡等越來越多的被用來解決細胞的檢測識別問題，并取得了不錯地效果。該方法可以有效的解決基于圖像處理的方法存在的兩個重要問題：一是可以有效的避免由于圖像分割效果不理想帶來的檢測精度差的影響；二是可以有效的提高特征的表達能力，而不是基于圖像處理的方法，只能提取周長面積等簡單幾何特征。本文的主要工作即是圍繞著機器學習相關(guān)方法展開的。圖1.4基于機器學習的尿沉渣檢測流程尿沉渣檢測方面的研究，機器學習方法的應用還處在起步階段。Shen等人[22]提出使用SVM結(jié)合Adaboost算法進行尿沉渣檢測，選擇的手工特征為Haar-like特征，首先使用Adaboost算法挑選若干個有分辨力的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分類器進行分類，針對于每一類有形成分，都有一個SVM分類器，因此每一類的SVM分類器都通過一對多的形式訓練得出，采用級聯(lián)結(jié)構(gòu)來加快檢測速度，實驗證明采用Adaboost算法進行特征的選取，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】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[2]基于HOG特征和滑動窗口的乳腺病理圖像細胞檢測[J]. 項磊,徐軍.  山東大學學報(工學版). 2015(01)
[3]改進的分水嶺圖像分割算法[J]. 孫惠杰,鄧廷權(quán),李艷超.  哈爾濱工程大學學報. 2014(07)
[4]一種基于改進Canny的邊緣檢測算法[J]. 許宏科,秦嚴嚴,陳會茹.  紅外技術(shù). 2014(03)
[5]KNN算法綜述[J]. 閉小梅,閉瑞華.  科技創(chuàng)新導報. 2009(14)
[6]尿沉渣分析儀的發(fā)展和應用簡述[J]. 斯健.  現(xiàn)代醫(yī)學儀器與應用. 2007(05)
[7]基于集成學習的Adaboost演化決策樹算法[J]. 趙敏,陳恩紅,宋睿.  計算機應用與軟件. 2007(03)
[8]用Prewitt算子細化邊緣[J]. 劉明艷,趙景秀,孫寧.  光電子技術(shù). 2006(04)
[9]流形學習概述[J]. 徐蓉,姜峰,姚鴻勛.  智能系統(tǒng)學報. 2006(01)
[10]圖像處理中GAMMA校正的研究和實現(xiàn)[J]. 彭國福,林正浩.  電子工程師. 2006(02)

碩士論文
[1]尿沉渣圖像分割與識別算法研究[D]. 劉睿.重慶大學 2016
[2]面向靜態(tài)圖片行人檢測的局部特征學習方法應用研究[D]. 年雪潔.東南大學 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 2016
[4]尿沉渣顯微圖像的自動檢測與識別方案研究[D]. 陳聰.華中科技大學 2014
[5]尿沉渣圖像中紅白細胞的分割與識別[D]. 趙少華.西安科技大學 2013
[6]Hough變換在顯微細胞圖像分割中的應用[D]. 王可佳.內(nèi)蒙古師范大學 2007



本文編號：3606711