检索历史 清除

摘要分析尿液有形成分，有助于评估患者肾脏和泌尿系统状态。针对无染色无标记的尿液有形成分图像成分繁多、边缘模糊、散焦严重等特点，传统方法大多采用形态学分割及支持向量机(Support Vector Machine, SVM)等进行分割识别，在数据量较大的情况下准确率较差且识别时间较长。本文针对尿液有形成分特点，设计一种基于改进BP神经网络的尿液有形成分识别方法，高效准确的实现红细胞、白细胞、上皮细胞、管型和晶体等尿液有形成分识别与分类。主要工作如下：<br>　　1.设计了一种融合滤波图像预处理方法。该算法首先使用均值滤波去除尿液原始图像中由于光照不均匀造成的干扰，再使用高斯滤波和非线性小波变换阈值法消除成像系统产生的加性噪声和乘性噪声，改善图像质量。<br>　　2.提出了一种基于粒子群算法改进BP神经网络的尿液有形成分分割方法。该方法采用粒子群算法寻找最优的权值和阈值作为网络初始参数进行训练和预测，避免了传统BP神经网络易陷入局部极值等问题，改善网络结构。应用改进BP神经网络对100幅人工分割好的图像进行训练以确定各个节点间参数，再用训练好的网络模型对新输入的图像进行分割，取得了良好的效果。<br>　　3.提出了一种基于遗传算法改进BP神经网络的尿液有形成分分类器。该分类器使用遗传算法优化初始参数，同时使用动量梯度下降法加速网络收敛，提高识别速度。实验对100幅无染色、无标记的尿液有形成分镜检原图进行识别，针对各类尿液有形成分之间存在的形状、纹理和统计特征之间的差别，选取15个特征作为识别特征向量组输入分类器进行识别，实验结果表明，该分类器对红细胞、白细胞、上皮细胞和管型的识别率均达到90%以上，且对于晶体的识别效果也明显优于对照实验。<br>　　本课题设计了对比实验，与传统BP神经网络、SVM和卷积神经网络(Convolutional Neural Networks, CNN)分类器进行对照，实验结果表明，该方法对背景复杂且存在较多噪声干扰的尿液有形成分图像实现了较优的分类效果，且识别速度较快，识别结果较为稳定。