隨著現(xiàn)代人們的生活節(jié)奏和飲食習慣正在發(fā)生重大的結構性改變,全球腎臟功能疾病的發(fā)病率和致死率急劇的增長,特別是慢性的腎臟功能疾病亟待引起人們重視。定期進行尿液篩查能讓患者及時地接受治療,延遲和制止腎臟發(fā)生損傷。其中,臨床上尿液有形成分的分析和診斷對于腎臟功能疾病以及相關疾病的篩查和預防治療都具有重要的意義,它有助于及時提供患者尿液中細胞類別及數(shù)量的相關信息,進而為泌尿外科醫(yī)生對腎臟功能疾病的診斷和治療提供了科學的臨床依據(jù)。因此,對于尿液有形成分中的細胞類型以及數(shù)量進行精確分析和檢測意義重大。尿液有形成分檢測作為醫(yī)院檢驗科三大常規(guī)(尿液,血液,糞便)診斷手段之一,在體外診斷檢測技術中發(fā)揮著重要的作用。其中顯微成像法是尿液有形成分檢查的標準方法。但是由于人工鏡檢的主觀性、耗時性,和各類檢測識別算法的優(yōu)劣程度,以前的研究不認為是很充分的。在本研究中,一種基于深度學習的尿液有形成分智能識別方法被提出。它是一種通過深度學習算法,對尿液有形成分鏡檢圖像進行智能檢測的新型方法。與其他典型的方法相比,它增加了尿液檢測的細胞類別數(shù)量,極大的提高了識別準確率與速度。本研究內(nèi)容主要包括以下四點:1.建立尿液有...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 本課題國內(nèi)外研究現(xiàn)狀
    1.3 現(xiàn)有研究存在的問題及挑戰(zhàn)
    1.4 本課題研究內(nèi)容
    1.5 本文的組織結構
第2章 尿液有形成分圖像數(shù)據(jù)庫的建立
    2.1 圖像數(shù)據(jù)庫建立的意義
    2.2 圖像數(shù)據(jù)庫建立的方法
        2.2.1 尿液計數(shù)玻片的制備
        2.2.2 尿液圖像的標定
        2.2.3 圖像的預處理
第3章 尿液有形成分粗分類研究分析
    3.1 深度學習目標檢測方法綜述
        3.1.1 基于候選區(qū)域的目標檢測算法
        3.1.2 基于回歸的目標檢測算法
    3.2 YOLO系列目標檢測算法研究
    3.3 利用YOLOV3網(wǎng)絡模型對尿液有形成分進行粗分類
        3.3.1 網(wǎng)絡模型的構建
        3.3.2 圖像數(shù)據(jù)集的準備
        3.3.3 模型的訓練方法與評估
    3.4 實驗結果與討論
        3.4.1 實驗結果的評判指標
        3.4.2 結果的討論
        3.4.3 結果與其他方法進行對比
    3.5 實驗總結
第4章 尿液有形成分精細分類(30類)研究
    4.13 0類細胞成分的介紹及其臨床意義
    4.2 Retinanet網(wǎng)絡模型的設計
        4.2.1 特征的提取與分類回歸
        4.2.2 損失函數(shù)
        4.2.3 模型結構
    4.3 訓練策略及過程
    4.4 實驗結果與討論
        4.4.1 結果分析
        4.4.2 結果與其他方法對比
        4.4.3 結果的改進與討論
    4.5 實驗總結
第5章 尿液有形成分多焦點融合算法研究
    5.1 算法研究的背景與意義
    5.2 算法所要解決的問題
    5.3 算法處理流程與具體實現(xiàn)
        5.3.1 算法流程圖
        5.3.2 實驗過程
    5.4 結果對比與討論
    5.5 實驗總結
第6章 總結與展望
    6.1 總結
    6.2 研究展望
參考文獻
指導教師對學位論文的學術評語
學位論文答辯委員會決議書
致謝
攻讀碩士學位期間的研究成果



本文編號：3864514