一種基於神經網絡的尿液中有形成分識別分類方法
2023-09-18 03:02:55 1
專利名稱：一種基於神經網絡的尿液中有形成分識別分類方法
技術領域：
本發明屬於圖像處理的技術領域，具體涉及一種尿液有形成分的識別分類方法。
背景技術：
尿液有形分析成分檢測是臨床三大常規檢查項目之一。目前醫院普遍採用的檢驗 分析方法有三種顯微鏡人工計數法，半自動人工輔助識別分析儀和光電信號法分析儀。
利用顯微鏡人工計數法和半自動人工輔助識別分析儀法分析檢驗尿液有形成分， 首先要對尿樣進行離心預處理，然後進行攝像或觀察，最後由人工識別。識別率在很大程度 上取決於操作人員的經驗，效率低。光電信號法分析儀是基於尿微粒的光電信息進行分類 計數的儀器，該方法不能向臨床提供確證性報告，不符合NCCLS標準的要求，因此在臨床應 用上具有局限性。
發明內容
本發明提供一種基於神經網絡的尿液中有形成分識別分類方法，以解決現有技術 難以從拍攝的尿液樣本圖像中高精度且假陽率低地識別出各類有形成分的問題。本發明採 取的技術方案是包括下列步驟( — )利用尿沉渣檢驗設備中的流動式顯微系統拍攝尿液樣本圖像，並將圖像傳 送到尿沉渣圖像工作站內存中； 在拍攝過程中，尿液標本在上下層鞘液的包裹下進入流動池，雙層鞘流液包裹在 尿液標本的外周，而尿液內有形成分會以單層顆粒的厚度高速通過流動池內的拍攝區域， 同時顯微採集系統中的CCD進行高速拍攝，並將電子信號轉換成數位訊號，其值範圍在
之間，然後將採集的圖像並傳輸到尿沉渣工作站計算系統中；
( 二 )分割步驟一中拍攝圖像內的尿液有形成分微粒圖像，分割具體步驟
(1)對每幅圖像進行邊緣檢測<7 = /5，其中f :表示灰度圖像，S :表示梯度模 板；G :表示梯度圖像；其中邊緣檢測可以採用的梯度模板有Sobel算子、Robert算子；
(2)針對梯度圖像G選定一個閾值T，然後採用區域生長算法分割圖像中的目標圖 像；其中閾值選定可以採用有大津率方法、迭代法或最小誤差法；(三)計算步驟二中分割的有形成分微粒圖像的形狀和紋理特徵向量，作為智能 神經網絡的輸入； (1)圖像二值化根據步驟二中確定的閾值T，進行圖像二值化，得到微粒圖像的 二值化圖像， (2)形狀特徵提取跟蹤有形成分微粒目標邊界點並編輯成鏈碼，利用鏈碼計算 微粒圖像的面積、圓形度、矩形度和伸展度等形狀特徵； 在微粒目標區域中，有一部分像素點滿足以下條件鄰域內有一部分像素點屬於 微粒目標，另一部分屬於背景，這樣的點就是邊緣點，進行邊界跟蹤提取邊緣點形成鏈碼； 首先按從上到下，從左到右的順序搜索找到的第一個邊界點，這個點一定是最左上方的邊界點，記為A ;它的右，右下，下，左下四個鄰點中至少有一個邊界點，記為B，從B開始找，按 右，右上，上，左上，左，左下，下、右下的順序找相鄰點中的邊界點C.如果C點就是A點，則 表明已經轉了一圈，程序結束，否則從C點繼續找，直到找到A為止；判斷是不是邊界點很容 易如果它的上下左右四個鄰居都是目標點則不是邊界點，否則是邊界點；
(3)紋理特徵提取紋理特徵的提取是基於灰度共生矩陣，灰度共生矩陣就是從 NXN的圖像f(x，y)的灰度為i的像素出發，統計與其距離為S，灰度為j的像素同時出現 的概率P(i， j， s， e);根據灰度共生矩陣計算水平方向和垂直方向的二階矩、對比度和熵 三個紋理特徵；(四)接受待識別有形成分微粒圖像的特徵向量，進行歸一化到0，1範圍內，輸
入已經訓練好的智能神經網絡進行識別；在這裡採用改進型對向傳播神經網絡(CP)，它是 Kohonen特徵映射網絡與Grossberg基本競爭網絡相結合、發揮各自特徵的一種特徵映射 網絡；網絡的基本思想是，由輸入層到競爭層，網絡按SOM學習規則產生競爭層的獲勝神經 元，並按照這一規則調整相應輸入層到競爭層的連接權；由競爭層到輸出層，網絡按照基本 競爭層型網絡學習規則，得到各輸出神經元的實際輸出值、並按照有導師型的誤差校正方 法，修正由競爭層到輸出層的連接權值；經過這樣反覆學習，使其達到一定誤差精度，並形 成穩定的網絡結構，即確定了神經網絡的參數。
本發明智能神經網絡的訓練方法 (1)如果智能識別系統沒有訓練好，需要產生智能神經網絡的訓練數據集；
(2)利用步驟1中產生的神經網絡數據訓練集，反覆訓練神經網絡，直到產生穩定 的、達到精度要求的網絡； 在學習過程中，CP網絡反覆不斷地在競爭層內挑選獲勝神經元，並且調整與獲勝 神經元對應的連接權，最終趨於穩定；各神經元所對應的連接權在經過學習調整後，記錄了 所有輸入模式的綜合信息，並且通過這些信息對目標進行正確地識別；傳統的學習算法每 次只對與競爭層獲勝的那個神經元對應的連接權進行調整，假如前後兩次獲勝的都是同一 神經元，則與該神經元對應的連接權會記錄下前後兩個輸入模式的信息；為了避免獲勝的 神經元過於集中導致記錄信息混亂的情況，人為地幹預獲勝神經元，使之分散開來，對於提 高CP網絡的訓練效果是有益的；
改進後的CP網絡學習算法如下 (a)初始化，將Wj(j = 1，2，….m)和Q丄(i = 1，2，…z)各分量賦予區間
內 的隨機值。將輸入模式Uki (k = 1， 2， . . . p)按下式進行歸一化處理"，="，f/J (i = 0，
1， 2，. . . n)，其中lf/J = 、t ("， )2 ，同時，為競爭層每個神經元附加一個變量t (初始值為0)
以記錄該神經元獲勝次數，設定神經元獲勝的最大次數T，並且指定誤差容限值e ;
(b)將第k個輸入模式Uk提供給網絡輸入層； (c)將連接權矢量W，. (j = 1 ， 2，…，m)進行歸 一 化處理Wji = w，.i/W，.，其中， (d)求競爭層神經元的輸入激活值 ■ = t
w力"，(j = 1，2，…，m)
(e)在計算出的Sj中找出最大的激活值Sa 1《a《m。如果Sa的t T，就選擇除Sa外的最大激活值Sb ;若Sb的t < T，則at = t+l，且將Sb對應的神經元作為競爭層獲勝神經元g ;否則，按照激活值從大到小的順序依次在Sj中尋找。將競爭層獲勝神經元g的輸出置l，其餘置O，它所對應的連接權即為Wg ; (f)調整Wg，艮卩formula see original document page 7式中，a為學習
率O < a < 1); (g)調整競爭層獲勝神經元g至輸出層神經元的連接權矢量^ =hg，《2gnlgj，而其他連接權保持不變，即formula see original document page 7式中，e為學習率O < P < 1 ; (h)求輸出層各神經元的綜合輸入信號加權和，並將其作為輸出神經元的實際輸出值c,; (i)計算網絡實際輸出Ck與希望輸出Yk的之間的誤差formula see original document page 7
(j)判斷步驟(i)中算出的誤差是否小於誤差容限，如果小於誤差容限，則繼續步驟(k)，進行下一模式的學習；若大於誤差容限，則返回步驟3)，繼續學習；
(k)返回步驟(b)，直至p個輸入模式全部提供給網絡。 從算法的描述可以看出，改進後的CP網絡學習算法可通過設置神經元獲勝的最大次數T來迫使網絡對於不同類別的模式分配不同的競爭優勝單元。這樣有效地克服了 CP網絡競爭層的不穩定性，避免了網絡在訓練過程中出現的局部最小點，使得競爭層各單元的連接權能夠比較精確地表示各類模式向量的空間分布情況。 基於圖像的尿液有形成分檢測方法，可採用不離心的尿樣，在無需藉助人工輔助識別的前提下，實現對尿液樣本內的有形成分的快速自動檢測，具有速度快，準確度高和可回顧等優點。 本發明有益效果是提出了一種新的尿液有形成分微粒圖像識別分類技術，本方法具有高識別率低假陽率，極大改善了臨床尿液有形成分的準確性、客觀性。同時極大地減輕了醫生的工作負擔，實現尿液有形成分檢驗的標準化和自動化。 本發明的另一個益處是採用了一種新的對向神經網學習算法有效地克服了 CP網絡競爭層的不穩定性，避免了網絡在訓練過程中出現的局部最小點，使得競爭層各單元的連接權能夠比較精確地表示各類模式向量的空間分布情況。
圖1是智能神經網絡識別分類的流程圖。 圖2是提取鏈碼流程圖。 圖3是對向傳播神經網絡分類器結構圖。 圖4是鏈碼八方向圖。 圖5是目標圖像鏈碼圖。 圖6是灰度共生矩陣的像素對圖。
具體實施方式
名詞解釋 尿沉渣是指尿液內的有形成分，如尿液內的紅細胞、白細胞和細菌等。
尿液有形成分是指尿液內的紅細胞、白細胞和細菌等物質。
尿沉渣檢驗設備是一種檢測尿液內有形成分的臨床檢驗設備。
層流層流是指流體微團互不摻混、運動軌跡有條不紊地流動。 流動池是由特別製作的薄層板構成，檢測樣本在鞘流液的作用下形成層流。( — )利用尿沉渣檢驗設備中的流動式顯微系統進行尿液樣本圖像拍攝，然後通
過1394卡將採集圖像並傳輸到尿沉渣工作站電腦的內存中，這裡每個檢測樣本需要拍攝
500幅圖。 (二)分割步驟l中拍攝圖像內的尿液有形成分微粒圖像，並計算其形狀、對比度和紋理等特徵。 (1)由於待分割對象內部的紋理比較複雜，而背景比較平坦，兩者之間形成對比。這裡所指的複雜的紋理也就是指尿沉渣成分內部較豐富的突變點線，因此，進行對圖像邊緣檢測，先利用Sobel算子分別進行水平檢測和垂直檢測，然後求矢量梯度，具體步驟如下 進行水平方向邊緣檢測，採用Sobel算子水平方向模板 進行垂直方向邊緣檢測，採用Sobel算子垂直方向模板
一l-21
000
_121
一l01
-202
—101 求該點的矢量梯度|G| =
直、
、3義J
、& (2)對步驟(1)中的梯度圖像採用大津法方法確定分割閾值T，具體方法如下
記T為前景與背景的分割閾值，前景點數佔圖像比例為wO，平均灰度為uO ;背景點數佔圖像比例為wl，平均灰度為ul。圖像的總平均灰度為u = W0*uO+wl*ul。從最小灰度值到最大灰度值遍歷T，當t使得值g = W0*(u0-u)2+wl*(ul-u)2最大時T即為分割的最佳閾值。(三)計算步驟(二 )中分割出來的有形成分微粒圖像的形狀和紋理特徵向量。
(1)圖像二值化提取有形成分微粒目標，根據選定的閾值T對圖像進行分割，形成二值圖像，其中"0"代表目標(黑色)，"255"代表背景(白色)，在二值圖像中，每個有形成分目標都是一個連通的區域，利用這種連通特性將微粒目標提取出來。
(2)形狀特徵提取跟蹤有形成分微粒目標邊界點並編碼，如圖4所示，圖像邊界鏈編碼可以表示為Kx0， yO)l/a。……an—J， (x0， y0)為圖像邊界上起始像素點坐標，aiG {0，1，2，3，4，5，6，7， }是圖像的八方向鏈碼，n為鏈的長。如圖5所示的圖像，從點P出發的鏈碼表示為KxO， y0) 1/076776564554432322212011}，其中點(x0， y0)是起始點P的坐標。
8
下面根據鏈碼計算形狀特徵，具體內容如下 (a)區域邊界的周長假設區域的邊界鏈碼為^……an，每個碼段ai所表示的線段長度為Al，那麼該區域邊界的周長為 丄=乞厶/,= (1) 式中，ne為鏈碼序列中偶數個數；n為鏈碼序列中碼的總個數。 (b)計算區域的面積，對x軸的積分就是面積 S = Zfl,0 式中，yi = y卜,a^， y。是初始點的縱坐標，aiQ和ai2分別是鏈碼第i環的長度在k=0(水平)，k二2(垂直)方向的分量。對於封閉鏈碼(初始坐標與終點坐標相同)，y。能任意選擇。按順時針方向編碼，根據式得到鏈碼所代表的包圍區域的面積。
(c)圓形度C :圓形度用來表示目標物體形狀接近圓形的程度，其計算公式為
式為
(3)
丄2
(d) 矩形度R:矩形度用於描述區域與矩形的偏離程度。其計算公式為
/ = ~^~ (4)
其中，W為目標寬度，H為目標長度。
(e) 伸長度E:區域的高度和寬度之比為伸長度，表明區域的狹長情況。其計算公
「 m ) ^、
五=^(5) 其中，W為目標寬度，H為目標長度。
(3)紋理特徵提取 如圖6所示，灰度共生矩陣就是從NXN的圖像f (x，y)的灰度為i的像素出發，統計與距離為S，灰度為j的像素同時出現的概率p(i，j， S， e)。在這裡，為了減少計算量，灰度級別L取值32。計算水平方向(9=0° dx = 2， dy = 0)的灰度紋理特徵和垂直方向(e = 90° dx = 0， dy = 2)的紋理特徵。
分別水平方向和垂直方向的紋理特徵，具體內容如下
(a) 二階矩它也稱為能量。粗紋理二階矩值4較大，可以理解為粗紋理含有較多細紋理^較小，也即它含有較小的能量。
L-l i-l/! =Z2>〗(' ，_/) (6)
^=0 乂-0 (b)對比度圖像的對比度可以理解為圖像的清晰度，即紋理的清晰程度。在圖像中，紋理的溝紋越深，則其對比度越小，圖像的視覺效果就會越清晰。 /2=g"2g§;a'W) (7)
w=0 ,=0 乂=0 (c)熵熵值是圖像具有的信息量的度量，紋理信息是圖像信息的一種。若圖像
的能量
9沒有任何紋理，則灰度共生矩陣幾乎為零陣，熵值f3接近為0。如果圖像充滿著細紋理，則
Ps(i， j)值近似相等，該圖像的熵值f3最大。若圖像中分布著較少的紋理，Ps(i， j)的數
值差別較大，則該圖像的熵值f3就較小。L-l丄-1/3 =ZZ/^(W)log;^(/,/) (8)
'■=0 _/=0(四)將步驟三中提取的面積、圓形度、矩形度、伸展度特徵分量歸一化和智能神經網絡識別分類。 (1)將步驟3中計算的特徵分量的大小歸一化到0，1範圍內。第i個特徵分量歸一化公式 f' ; = 0. l+f 乂 (max (f》-min (f》)X (0. 9-0. 1) (9) 其中，max(fi)和min(f》分別代表第i個特徵分量中的最大值和最小值； (2)如圖3所示，將歸一化的特徵向量輸入神經網絡分類器內，進行智能識別。在
這裡我們採用改進型對向傳播神經網絡(CP)，它是Kohonen特徵映射網絡與Grossberg基
本競爭網絡相結合、發揮各自特徵的一種特徵映射網絡。網絡的基本思想是，由輸入層到競
爭層，網絡按S0M學習規則產生競爭層的獲勝神經元，並按照這一規則調整相應輸入層到
競爭層的連接權；由競爭層到輸出層，網絡按照基本競爭層型網絡學習規則，得到各輸出神
經元的實際輸出值、並按照有導師型的誤差校正方法，修正由競爭層到輸出層的連接權值。
經過這樣反覆學習，使其達到一定誤差精度，並形成穩定的網絡結構，即確定了神經網絡的參數。 智能神經網絡的訓練方法 如果智能神經網絡沒有訓練好，我們需要準備訓練樣本數據集，這裡我們選取尿液有形成分十二類，每類500個訓練樣本。誤差極限MinErr為1. 0X 10—6，按下面方法進行訓練 (a)初始化。將Wj (j = 1， 2， m)和Qi (i = 1， 2， z)各分量賦予區間
內的隨機值。將輸入模式Uki(k = 1，2， . .^ I (i =
0， 1，2，…n)，其刊|^|= t(w"2 。同時，為競爭層每個神經元附加一個變量t(初始值為
0)以記錄該神經元獲勝次數，設定神經元獲勝的最大次數T，並且指定誤差容限值e。
(b)將第k個輸入模式Uk提供給網絡輸入層。 (c)將連接權矢量Wj (j = 1 ， 2，…，m)進行歸 一 化處理Wji = w"Wj，其中，
(d)求競爭層神經元的輸入激活值A (j = L2，…，m)。
'=1 (e)在計算出的Sj中找出最大的激活值Sa 1《a《m。如果Sa的t T，就選擇除Sa外的最大激活值Sb。若Sb的t < T，則at = t+l，且將Sb對應的神經元作為競爭層獲勝神經元g ;否則，按照激活值從大到小的順序依次在Sj中尋找。將競爭層獲勝神經元g的輸出置l，其餘置0，它所對應的連接權即為Wg。
10
(f)調整Wg，艮卩Wg,々+ l)-Wg,.+ —wg,(。) (i = 1，2，…，m)，式中，a為學習
率O < a < 1)。
(g)調整競爭層獲勝神經元g至輸出層神經元的連接權矢量a =bls^2g,—《lgJ，
而其他連接權保持不變，即仏g("l)^,g(r) + A》f -cf) (1 = 1，2，…，z)。式中，P為學 習率O < P < 1。 (h)求輸出層各神經元的綜合輸入信號加權和，並將其作為輸出神經元的實際輸 出值c,， (i)計算網絡實際輸出Ck與希望輸出Yk的之間的誤差m"- tW-,)2 。 (j)判斷步驟(i)中算出的誤差是否小於誤差極限MinErr，如果小於誤差容限，則 繼續步驟(k)，進行下一模式的學習；若大於誤差極限，則返回步驟3)，繼續學習。
(k)返回步驟(b)，直至p個輸入模式全部提供給網絡。 當計算網絡實際輸出Ck與希望輸出Yk的之間的誤差小於誤差極限時，訓練停止， 表明網絡訓練完成，可以用於樣本的識別分類。
1權利要求
一種基於神經網絡的尿液中有形成分識別分類方法，其特徵在於包括下列步驟(一)利用尿沉渣檢驗設備中的流動式顯微系統拍攝尿液樣本圖像，並將圖像傳送到尿沉渣圖像工作站內存中；在拍攝過程中，尿液標本在上下層鞘液的包裹下進入流動池，雙層鞘流液包裹在尿液標本的外周，而尿液內有形成分會以單層顆粒的厚度高速通過流動池內的拍攝區域，同時顯微採集系統中的CCD進行高速拍攝，並將電子信號轉換成數位訊號，其值範圍在
之間，然後將採集的圖像並傳輸到尿沉渣工作站計算系統中；(二)分割步驟一中拍攝圖像內的尿液有形成分微粒圖像，分割具體步驟(1)對每幅圖像進行邊緣檢測其中f表示灰度圖像，S表示梯度模板；G表示梯度圖像；其中邊緣檢測可以採用的梯度模板有Sobel算子、Robert算子；(2)針對梯度圖像G選定一個閾值T，然後採用區域生長算法分割圖像中的目標圖像；其中閾值選定可以採用有大津率方法、迭代法或最小誤差法；(三)計算步驟二中分割的有形成分微粒圖像的形狀和紋理特徵向量，作為智能神經網絡的輸入；(1)圖像二值化根據步驟二中確定的閾值T，進行圖像二值化，得到微粒圖像的二值化圖像，(2)形狀特徵提取跟蹤有形成分微粒目標邊界點並編輯成鏈碼，利用鏈碼計算微粒圖像的面積、圓形度、矩形度和伸展度等形狀特徵；在微粒目標區域中，有一部分像素點滿足以下條件鄰域內有一部分像素點屬於微粒目標，另一部分屬於背景，這樣的點就是邊緣點，進行邊界跟蹤提取邊緣點形成鏈碼；首先按從上到下，從左到右的順序搜索找到的第一個邊界點，這個點一定是最左上方的邊界點，記為A；它的右，右下，下，左下四個鄰點中至少有一個邊界點，記為B，從B開始找，按右，右上，上，左上，左，左下，下、右下的順序找相鄰點中的邊界點C.如果C點就是A點，則表明已經轉了一圈，程序結束，否則從C點繼續找，直到找到A為止；判斷是不是邊界點很容易如果它的上下左右四個鄰居都是目標點則不是邊界點，否則是邊界點；(3)紋理特徵提取紋理特徵的提取是基於灰度共生矩陣，灰度共生矩陣就是從N×N的圖像f(x，y)的灰度為i的像素出發，統計與其距離為δ，灰度為j的像素同時出現的概率p(i，j，δ，θ)；根據灰度共生矩陣計算水平方向和垂直方向的二階矩、對比度和熵三個紋理特徵；(四)接受待識別有形成分微粒圖像的特徵向量，進行歸一化到0，1範圍內，輸入已經訓練好的智能神經網絡進行識別；在這裡採用改進型對向傳播神經網絡(CP)，它是Kohonen特徵映射網絡與Grossberg基本競爭網絡相結合、發揮各自特徵的一種特徵映射網絡；網絡的基本思想是，由輸入層到競爭層，網絡按SOM學習規則產生競爭層的獲勝神經元，並按照這一規則調整相應輸入層到競爭層的連接權；由競爭層到輸出層，網絡按照基本競爭層型網絡學習規則，得到各輸出神經元的實際輸出值、並按照有導師型的誤差校正方法，修正由競爭層到輸出層的連接權值；經過這樣反覆學習，使其達到一定誤差精度，並形成穩定的網絡結構，即確定了神經網絡的參數。F2009102178671C0000011.tif
2. 如權利要求1所述的基於神經網絡的尿液有形成分識別分類方法，其特徵在於智 能神經網絡的訓練方法包括下列步驟(1) 產生智能神經網絡的訓練數據集；(2) 利用步驟(1)中產生的神經網絡數據訓練集，反覆訓練神經網絡，直到產生穩定的、達到精度要求的網絡；在學習過程中，CP網絡反覆不斷地在競爭層內挑選獲勝神經元，並且調整與獲勝神經元對應的連接權，最終趨於穩定；各神經元所對應的連接權在經過學習調整後，記錄了所有輸入模式的綜合信息，並且通過這些信息對目標進行正確地識別；傳統的學習算法每次只對與競爭層獲勝的那個神經元對應的連接權進行調整，假如前後兩次獲勝的都是同一神經元，則與該神經元對應的連接權會記錄下前後兩個輸入模式的信息；為了避免獲勝的神經元過於集中導致記錄信息混亂的情況，人為地幹預獲勝神經元，使之分散開來，對於提高CP網絡的訓練效果是有益的；改進後的CP網絡學習算法如下(a)初始化，將Wj(j = 1，2， ...m)和Qji = 1，2， ...z)各分量賦予區間
內的隨機值。將輸入模式Uki(k二 l，2，...p)按下式進行歸一化處理formula see original document page 3其中formula see original document page 3同時，為競爭層每個神經元附加一個變量t(初始值為O)以記錄該神經元獲勝次數，設定神經元獲勝的最大次數T，並且指定誤差容限值e ;(b) 將第k個輸入模式Uk提供給網絡輸入層；(c) 將連接權矢量W，. (j = 1， 2，…，m)進行歸 一 化處理Wji = w"W，.，其中，formula see original document page 3(d)求競爭層神經元的輸入激活值formula see original document page 3(e) 在計算出的Sj中找出最大的激活值Sa 1《a《m。如果Sa的t < T，則t = t+l，且將&對應的神經元作為競爭層獲勝神經元g ;否則，若t > T，就選擇除Sa外的最大激活值Sb ;若Sb的t < T，則at = t+l，且將Sb對應的神經元作為競爭層獲勝神經元g ;否則，按照激活值從大到小的順序依次在Sj中尋找。將競爭層獲勝神經元g的輸出置l，其餘置0，它所對應的連接權即為Wg;(f) 調整Wg，艮formula see original document page 3式中，a為學習率O< a < 1);(g) 調整競爭層獲勝神經元g至輸出層神經元的連接權矢量formula see original document page 3而其他連接權保持不變，即formula see original document page 3式中，p為學習0 < P < 1 ;(h) 求輸出層各神經元的綜合輸入信號加權和，並將其作為輸出神經元的實際輸出值kCi ;(i) 計算網絡實際輸出Ck與希望輸出Yk的之間的誤差formula see original document page 3(j)判斷步驟(i)中算出的誤差是否小於誤差容限，如果小於誤差容限，則繼續步驟(k)，進行下一模式的學習；若大於誤差容限，則返回步驟3)，繼續學習；(k)返回步驟(b)，直至p個輸入模式全部提供給網絡。
全文摘要
本發明涉及一種基於神經網絡的尿液中有形成分識別分類方法，屬於一種尿液有形成分的識別分類方法。利用尿沉渣檢驗設備中的流動式顯微系統拍攝尿液樣本圖像，並將圖像傳送到尿沉渣圖像工作站內存中；分割步驟一中拍攝圖像內的尿液有形成分微粒圖像，計算步驟二中分割的有形成分微粒圖像的形狀和紋理特徵向量，作為智能神經網絡的輸入；接受待識別有形成分微粒圖像的特徵向量，進行歸一化到
範圍內，輸入已經訓練好的智能神經網絡進行識別。本方法具有高識別率低假陽率，極大改善了臨床尿液有形成分的準確性、客觀性。同時極大地減輕了醫生的工作負擔，實現尿液有形成分檢驗的標準化和自動化。
文檔編號G06N3/08GK101713776SQ20091021786
公開日2010年5月26日 申請日期2009年11月13日 優先權日2009年11月13日
發明者宋潔, 沈繼楠, 陳武 申請人:長春迪瑞實業有限公司