随着深度学习和图像识别算法的不断更新和发展,利用计算机去学习人的思维能力和经验,辅助人类处理日常的工作已经变得越来越常见。智慧医疗就是将更多的人工智能技术运用到临床疾病的诊断和治疗当中。临床中常见的医学图像是我们分析病情和判断病情的依据,将深度学习和图像识别的技术运用到医疗领域中进行医学图像的识别和分析,利用高性能的计算机去处理大量的医学图片,是医疗大数据的一个重要的研究方向,也是加速智慧医疗体系建设的重要分支。据世卫组织的调查数据显示,全球大概存在7%-11%的育龄人口遭受不孕不育的困扰,其中至少30-50%的病例与男性有关。对男性进行精液分析是诊断男性不孕不育的主要方式,对精子的形态分析是评估诊断者是否患病的关键因素之一。目前对精子的人工评估存在主观性强、标准不严格、耗时等缺陷,因此,利用图像识别算法,通过高性能计算机去实现精子形态评估,辅助医生进行精子形态分析是非常具有临床实用价值。本文是在吉林省科技厅重点科技攻关项目和医大一院合作项目的支持下完成的。医学精子图像的目标检测,包含对精子头部有效特征的提取和精子头部的形态分类两部分,本文的研究重点是利用卷积神经网络的算法对医学精子头部进行正常异常的二分类以及多分类的目标检测任务。本文首先分别对YOLO v3模型和SSD模型进行精子图片的二分类目标检测,根据两个模型的特点和优势,设计出一套先定位后分类的Y-V级联神经网络模型,对精子图片分别进行定位和二分类的操作,提升了精子二分类任务的检测准确率。为了进一步达到精准医疗的要求,进行精子形态的多分类任务,本文对级联模型的结构进行改进,提出一种多特征重用MFRC模型。MFRC模型引入Densenet网络模型中dense block结构的密集连接方式,具备一定的正则化的效果,加强了特征的重用,提高了网络训练阶段的效率;此外MFRC模型提升了各个卷积层之间的特征利用效率,提高了医学精子图像识别和分类的准确率,解决了模型学习能力退化的问题。本文对YOLO-v3模型、SSD模型、Y-V级联模型和MFRC模型做精子头部图像的二分类和多分类任务。实验结果显示YOLO-v3模型的二分类准确率为73%,SSD模型的二分类准确率为78%,Y-V级联模型的二分类任务准确率为88%,Y-V级联模型对精子形态特征的二分类任务检测中准确率最高。在多分类任务中,SSD模型的多分类mAP值为0.69,Y-V级联模型的多分类的mAP值为0.72,MFRC模型多分类mAP值为0.79。同Y-V级联模型相比较,MFRC模型对精子形态特征的多分类准确率提升了7%左右。MFRC模型的多分类任务的准确率低于二分类任务的准确率,说明精子形态的多分类任务对算法和模型的要求更高。基于深度学习的医学精子图像分类算法在精子头部形态的二分类和多分类任务上达到预期的检测准确率和速率。受人工经验和人为误判等因素影响,专业的医生检测1000张图片需要两个小时,而利用MFRC模型对1000张医学精子图片进行多分类形态检测,在计算机上仅耗时33秒左右,平均精确率mAP值在0.79左右。所以MFRC模型可以用来辅助医生进行精子形态评估,大大减轻了医生的工作量,减少人为误判,有很好的临床实用价值。