一种尿液有形成分实例分割方法

本发明涉及图像处理，更具体地，涉及一种尿液有形成分实例分割方法。

背景技术：

1、尿液分析作为临床病理学中的一项常见诊断方法，通过检查尿液样本的物理、化学及微观特性，可以揭示许多重要的健康问题和疾病。尤其是尿沉渣检查，此类检查主要针对尿液中的红细胞、白细胞、鳞状细胞、和各种晶体等微观颗粒，其分析结果对肾脏疾病、膀胱感染、泌尿系感染等多种疾病的诊断及治疗具有重要指导意义。传统方法在对尿液成分进行分析时往往依赖于手动操作，如通过显微镜手动计数和辨识，此方法不仅耗时而且容易受到操作员的主观判断影响，造成分析结果的不一致性和准确性降低。

2、随着计算机视觉技术的发展，利用图像处理和机器学习方法对尿液中的细胞进行自动化检测和分割已成为研究的热点。尤其是实例分割技术的应用，提供了定量分析个体细胞在尺寸、形态和数量方面的数据，有助于提高诊断的准确性。现有的技术多采用二阶段实例分割方法，虽然在准确性上取得了良好的效果，但这类方法往往需要复杂的后处理步骤，处理的速度和效率低，不适合用于对时间敏感的诊断任务。

技术实现思路

1、本发明为提高尿液有形成分实例分割的分割准确性和速度，提出如下技术方案：

2、本发明提出一种尿液有形成分实例分割方法，包括：

3、构建尿液有形成分图像数据集。

4、将尿液有形成分图像输入训练好的改进的yolov8-seg模型进行实例分割，得到尿液有形成分实例分割结果。

5、其中，所述改进的yolov8-seg模型包括骨干网络、颈部网络和头部网络。将尿液有形成分图像输入所述骨干网络进行特征提取，得到第一尿液有形成分图像特征。所述颈部网络对所述尿液有形成分图像特征的定位信息与语义信息进行增强处理，得到第二尿液有形成分图像特征。将所述第二尿液有形成分图像特征输入所述头部网络进行定位和分类处理，并对定位和分类处理结果进行分割掩码处理，得到尿液有形成分实例分割结果。

6、作为优选的技术方案，所述构建尿液有形成分图像数据集，包括：

7、根据尿液有形成分数据，从尿液样本中提取细胞图像。所述尿液有形成分数据包括白细胞、红细胞、鳞状细胞和草酸钙结晶。

8、对所述细胞图像进行标注，得到包含细胞多边形位置信息的尿液有形成分图像数据集。

9、作为优选的技术方案，在构建尿液有形成分图像数据集之后，将尿液有形成分图像输入训练好的改进的yolov8-seg模型进行实例分割之前，所述方法还包括：

10、获取包含鳞状细胞和草酸钙结晶的尿液有形成分图像。

11、对包含鳞状细胞和草酸钙结晶的尿液有形成分图像进行复制以及抖动处理，直至鳞状细胞和草酸钙结晶的数量达到预设值。

12、作为优选的技术方案，在得到包含细胞多边形位置信息的尿液有形成分图像数据集之后，所述方法还包括：从尿液有形成分图像数据集中划分训练集，并对训练集中的图像数据分别进行饱和度调节、mosaic增强、随机翻转、明度调节、色调随机调整和图像平移操作。

13、作为优选的技术方案，在将尿液有形成分图像输入训练好的改进的yolov8-seg模型进行实例分割之前，所述方法还包括对改进的yolov8-seg模型进行训练，包括：

14、构建改进的yolov8-seg模型的损失函数。所述损失函数包括分类损失函数和回归损失函数。所述分类损失函数为bce loss损失函数，所述回归损失函数包括giou loss损失函数和distribution focal loss损失函数。

15、所述giou loss损失函数的表达式如下所示：

16、

17、其中，iou为传统的交并比，c为实例分割结果中两个边界框的最小闭合矩形的面积，a为实例分割结果中两个边界框的交集的面积。

18、所述distribution focal loss损失函数的表达式如下所示：

19、dfl(si,si+1)＝-((yi+1-y)log(si)+(y-yi)log(si+1))

20、其中，si和si+1分别表示第i和第i+1个样本的概率输出值，y表示目标位置，yi和yi+1分别第i和第i+1个样本的预测位置。

21、利用训练集对改进的yolov8-seg模型进行训练、验证和测试，直至改进的yolov8-seg模型的损失函数收敛，得到训练好的改进的yolov8-seg模型。

22、作为优选的技术方案，所述骨干网络包括若干conv模块、c2f模块和sppf模块。

23、将尿液有形成分图像输入所述骨干网络进行特征提取，得到第一尿液有形成分图像特征，包括：在骨干网络中，通过第一conv模块对所述尿液有形成分图像进行卷积处理，输出尺度为320×320×64的特征映射p1。通过第二conv模块对所述特征映射p1进行卷积处理，输出尺度为160×160×128的特征映射p2。通过第一c2f模块将所述特征映射p2进行高低尺度特征融合，并将融合结果通过第三conv模块进行卷积处理，输出尺度为80×80×256的特征映射p3。通过第二c2f模块将所述特征映射p3进行高低尺度特征融合，并将融合结果通过第四conv模块进行卷积处理，输出尺度为40×40×512的特征映射p4。通过第三c2f模块将所述特征映射p4进行高低尺度特征融合，并将融合结果依次通过第五conv模块进行卷积处理、第四c2f模块进行高低尺度特征融合以及sppf模块进行三次最大池化操作，得到尺度为20×20×512的特征映射p5。

24、将所述特征映射p3、特征映射p4和特征映射p5作为第一尿液有形成分图像特征输入颈部网络中。

25、作为优选的技术方案，所述颈部网络包括fpn网络和pan网络，所述颈部网络对所述尿液有形成分图像特征的定位信息与语义信息进行增强处理，得到第二尿液有形成分图像特征，包括：

26、fpn网络首先接收骨干网络输出的特征映射p5并通过上采样操作输出尺度为40×40×512的特征映射m1。然后将骨干网络输出的特征映射p4与特征映射m1特征映射进行拼接，并将拼接结果通过第六c2f模块融合不同尺度特征后通过上采样操作，输出尺度为80×80×512的特征映射m2。最后将骨干网络输出的特征映射p3与特征映射m2进行拼接，并将拼接结果第七c2f模块融合不同尺度特征，输出尺度为80×80×256的特征映射m3。

27、pan网络首先接收fpn网络输出的特征映射m3，通过第六conv模块进行卷积处理，输出尺度为40×40×256的特征映射q1。然后将fpn网络输出的特征映射m5和特征映射q1进行拼接，并将拼接结果通过第八c2f模块融合不同尺度特征，输出尺度为40×40×512的特征映射q2。最后将特征映射q2通过第七conv模块进行卷积处理后并与骨干网络输出的特征映射p5进行拼接，并将拼接结果通过第九c2f模块融合不同尺度特征，输出尺度为20×20×512的特征映射q3。

28、将所述特征映射m3、特征映射q2和特征映射q3作为第二尿液有形成分图像特征输入头部网络中。

29、作为优选的技术方案，将所述第二尿液有形成分图像特征输入所述头部网络进行定位和分类处理，包括：

30、所述头部网络采用解耦头结构并通过若干个卷积操作和全连接层对特征映射m3、特征映射q2和特征映射q3进行定位和分类处理，输出不同尺度的边界框位置、尺寸和类别。

31、作为优选的技术方案，所述对定位和分类处理结果进行分割掩码处理，得到尿液有形成分实例分割结果，包括：

32、使用解耦头结构的protonet分支分别对特征映射m3、特征映射q2和特征映射q3进行处理，得到n个原型掩码，n为正整数。

33、根据不同尺度的边界框位置、尺寸和类别，通过mask coeff头部分支生成n个掩码系数。

34、对所述n个掩码系数执行裁切和过滤操作处理。

35、对执行裁切和过滤操作处理后的掩码系数和原型掩码执行非极大值抑制处理以及相乘操作。

36、将所有相乘后的结果相加，得到最终的尿液有形成分实例分割结果。

37、作为优选的技术方案，在对改进的yolov8-seg模型进行训练之前，所述方法还包括将头部网络的conv模块替换为pconv模块：

38、其中，所述pconv模块的浮点运算数量flops的计算表达式如下所示：

39、

40、所述pconv模块的内存访问量amc的计算表达式如下所示：

41、amc＝h×w×2cp+k2×cp2≈h×w×2cp

42、其中，h为特征映射的高度，w为特征映射的宽度，k为pconv模块的卷积核数量，c为通道数。

43、本发明的有益效果至少包括：

44、本发明通过构建尿液有形成分图像数据集并利用改进的yolov8-seg分割模型进行实例分割，将图像数据被输入骨干网络以获取初步的图像特征，颈部网络负责增强定位信息和语义信息，而头部网络接收颈部网络的特征信息并进行定位和分类，并将定位和分类信息与分割掩码结合，得到尿液有形成分实例分割结果，能够提高对作为小对象的尿液细胞进行实例分割的性能和准确性，同时更快速地分割出尿液中的有形成分。