10.3969/j.issn.1000-386x.2021.09.036
基于深度学习的白带显微图像细胞识别
针对白带显微图像中白细胞、念珠菌、滴虫的自动化识别问题,提出基于改进的YOLOv3-tiny与Res-netS0相结合的细胞识别算法.在细胞检测阶段,基于改进的YOLOv3-tiny算法进行细胞检测,结合显微图像中细胞均为小目标的特点,提高对细胞的检测准确率.在细胞识别阶段,采用Resnet50模型对细胞进行精确分类,并结合显微图像细胞数据集的特点,运用迁移学习的方法进行模型训练,提高分类的准确率.实验结果表明,该算法对白细胞、念珠菌、滴虫的识别结果和效率均优于其他算法,在319例白带样本上的测试结果表明:白细胞的灵敏度、特异性、符合率分别为90.75%、93.84%、92.16%,念珠菌的灵敏度、特异性、符合率分别为95.05%、96.33%、95.92%,滴虫的灵敏度、特异性、符合率分别为94.74%、98.00%、97.81%,达到临床检验的要求.
白带显微图像;白细胞;念珠菌;滴虫;深度学习;YOLOv3-tinv
38
TP18(自动化基础理论)
2021-09-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
232-238