近十年来,肾脏病的发病率与患病率持续上升,已严重影响人类的身体健康。早期诊断和治疗对肾脏疾病非常重要,能够最大限度地降低疾病对人体造成的伤害。尿液有形成分检查是三大常规检查之一,能够准确地反映人体身体状况,尤其是肾脏疾病。自动化尿液有形成分检查有两种方法:显微成像法和流式细胞术法,其中显微成像法是有形成分检查的标准方法。尿液镜检图片极其复杂,常见的具有重要临床意义的尿液有形成分多达十几种,传统的识别方法因分割困难,识别准确率较低,已不能满足于现代化的发展。本课题提出了一种基于深度学习的尿液有形成分识别方法,摒弃了传统方法的分割过程,极大的提高了识别准确率与速度。方法的研究内容主要包括以下四点:1.建立尿液图像数据库。课题的尿液样本取自不同时间段深圳市多家医院384位病人,从尿液样本的镜检图片中选取8656张图片,在三位检验医学专家进行标定审核后,存入数据库。2.提出一种尿液有形成分五大类识别方法,五大类包括红细胞、白细胞、上皮细胞、结晶与管型。此方法以Resnet101为特征提取网络,增强特征提取能力,并借鉴DSSD网络的反卷积模块与预测模块,其中反卷积模块能够持续提高特征图层的分辨率以增加更多的语义信息,而预测模块能够加强在特征图层上的目标预测。实验结果表明五大类成份的识别准确率依次为85.5%、88.6%、87.9%、86.4%、80.1%,符合《YYT 0996-2015尿液有形成分分析仪(数字成像自动识别)》标准的要求。并通过更改模型网络配置与训练宽高比来对测试结果进行讨论。3.提出一种尿液有形成分精细(18类)识别方法,18类有形成分包括红细胞、白细胞、上皮细胞、小圆上皮细胞、管型(透明管型、细胞管型、颗粒管型、蜡样管型、脂肪管型、宽大管型)、结晶(磷酸钙结晶、草酸钙结晶、尿酸结晶、磷酸铵镁结晶、无定型结晶)、念珠菌、乳酸杆菌、线索细胞。方法模型以Resnet101作为基础网络,特征金字塔网络提取图片特征,基于分类子网络与回归子网络进行成分分类,并使用改进的损失函数对分类结果再次优化。以上18类的平均识别准确率达到了89.2%,其中五大类成份的识别准确率依次为88.9%、87.8%、88.6%、88.7%、88.2%、91.3%。并通过更改模型基础网络、权重初始化方式和损失函数初始化参数来对测试结果进行讨论。4.尿液有形成分识别的软件系统设计。此平台按功能可分为六大模块:通信模块、图像采集处理模块、总调度时序模块、数据模块、信息导出模块(上传LIS系统、打印)和视图界面模块(控件皮肤加载、语言切换)。此软件系统集成了课题的尿液有形成分识别模型算法,并能与自动化设备连接进行尿液图像采集。每张图片(尺寸为1536*1024)的CPU(英特尔i5四核CPU)平均处理时间为5.54秒,GPU(英伟达(Nvidia)1060GPU)平均处理时间为0.21秒,为该算法的应用打下基础。