一种基于深度学习的精子存活率分析方法

技术领域

本发明涉及计算机医疗图像处理领域，具体为一种基于深度学习的精子存活率分析方法。

背景技术

男性不育的最主要原因即为精子和精液异常。因此，对精液进行分析以及对精子质量进行评估是诊断男性不育的主要手段。临床诊断中存活率检测推荐的方法是采用伊红-苯胺黑染色法人工计数，即由人眼通过显微镜对载有精子的玻片进行观察，这些载玻片均是由专业人员待精液液化之后利用染色剂进行染色之后制成玻片，由专业医师人工针对患者样本中的精子进行评估，可能存在主观性强、不可重复以及工作量大等问题。随着计算机技术的高速发展，从上世纪80 年代起，就有科研人员提出计算机辅助精液分析（CASA）方法，使用现代化的计算机技术，对样本定量地进行分析，克服了人工分析 主观性强的缺点。然而，尽管CASA在对精子密度、精子活力等大部分参数的检测上的表现优于人工分析，但是并不适用于精子存活率检测，目前仍需要临床医生人工判别。

近年来，随着机器学习和深度学习技术的发展，科研人员也将相关技术应用到CASA的改进中，然而，现有研究无论是精子分类或是分割大部分都是基于单个精子，甚至单个精子的头部图像，在实际临床中经常存在精子的重叠以及杂质干扰等问题，专业医生在显微镜中提取单个精子的图像所花费的时间远超过其直接做出诊断的时间，相较直接诊断却并不能获得准确率上的提高，这与 CASA 的设计理念相悖。

提供一个能够快速、准确地使用计算机进行精子存活率分析的方法将很大程度上减轻医生的工作量，并且能够帮助医生快速诊断病情、确定诊疗方案。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于深度学习的精子存活率分析方法，采用了基于迁移学习的方法，利用模型在与精子数据集相似的细胞数据集上学习到的知识，应用到数据量较少的精子存活率分析数据集上。本发明提供的方法可以有效解决临床精子存活率分析过程中耗时长、准确率不高的问题，为计算机辅助精液分析算法研究以及工程应用提供新的思路。

技术方案：一种基于深度学习的精子存活率分析方法，包括以下步骤：

步骤1：采集精液标本、制备存活率分析涂片，使用显微镜采集图像并进行标注以构成数据集；

所述使用显微镜采集精液样本、制备存活率分析图像并进行标注以构成数据集的具体步骤为：

步骤100，根据WHO人类精液实验室检验手册标准，采集男性的精液样本，进行染色后在显微镜 1000 倍放大倍数的亮视野下有顺序、随机、不重复地选择若干区域拍摄图像；

步骤101，对于每一张无标签的精子存活率分析图像

步骤102，对于步骤101中标注完成的所有有标签精子存活率分析图像，使用随机分组的方式将图像及其标签分为五组，采用五折交叉验证的方式，每次取出其中的一组用做验证集，剩余四组用做训练集，以减小偶然性对实验结果的影响。

步骤2：对训练数据进行预处理；

所述对训练数据进行预处理的具体步骤为：

步骤200，对于训练集中的每一张有标签的精子存活率分析图像

步骤201，对于训练集中的每一张有标签的精子存活率分析图像

步骤3：使用迁移学习的方式训练目标检测模型；

所述使用迁移学习的方式训练目标检测模型的具体步骤为：

步骤300，使用YOLOX-x在COCO数据集上预训练后的官方权重对模型进行初始化，并在LIVECell细胞分割数据集上训练得到一个新的预训练权重；

步骤301，使用步骤300中得到的预训练权重，在步骤201得到的精子存活率分析数据集上进行训练；

步骤302，在训练过程中，不断使用验证集来对模型预测结果进行验证，以选择合适的超参数。

在训练过程中，定义模型的目标方程：

其中

定义如下：

其中

定义如下：

其中

定义如下：

其中

步骤4：使用模型对临床数据进行分析；

所述使用模型对临床数据进行分析的具体步骤为：

步骤400，将需要分析的无标注临床样本同样按照步骤200所述的方式进行处理，即先将其分辨率从

步骤401，将填充后的图片进行旋转和翻转，得到8张不同朝向的新样本图片，使用步骤301训练得到的模型对其依次进行预测，将预测结果回复到原始朝向并使用非极大值抑制进行合并，得到最终的精子目标检测结果；

步骤402，对同一受检者的不同样本进行分析并进行计数，输出最终的存活率分析结果并判断是否合格。

有益效果：与现有技术相比，本发明提供的基于深度学习的精子存活率分析方法，使用迁移学习，利用模型在与精子数据集相似的细胞数据集上学习到的知识，应用到数据量较少的精子存活率分析数据集上。本发明提供的方法可以有效解决临床精子存活率分析过程中耗时长、准确率不高的问题，为计算机辅助精液分析算法研究以及工程应用提供新的思路。

附图说明

图1为本发明方法的整体流程图；

图2为本发明方法的训练流程图；

图3为本发明方法的分析流程图；

图4为本发明方法在相关数据集上的可视化结果。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于深度学习的精子存活率分析方法，发明方法的整体流程图如图1所示。整体流程包括采集精液标本、制备存活率分析涂片，使用显微镜采集图像并进行标注以构成数据集，对训练数据进行预处理，使用迁移学习的方式训练目标检测模型，以及使用模型对临床数据进行分析的步骤，具体实施方式如下：

根据WHO人类精液实验室检验手册标准，采集男性的精液样本，进行染色后在显微镜 1000 倍放大倍数的亮视野下有顺序、随机、不重复地选择若干区域拍摄图像。对于每一张无标签的精子存活率分析图像

对于训练集中的每一张有标签的精子存活率分析图像

对模型进行迁移学习的训练流程如图2所示，具体为使用YOLOX-x在COCO数据集上预训练后的官方权重对模型进行初始化，并在LIVECell细胞分割数据集上训练得到一个新的预训练权重。在训练过程中，不断使用验证集来对模型预测结果进行验证，以选择合适的超参数。

使用模型对临床样本进行分析的流程如图3所示，具体为将需要分析的无标注临床样本先将其分辨率从

本发明在南京鼓楼医院的相关数据集上进行了实验，将本发明的方法和医实际标注的结果进行对比，在预测速度上，本发明的方法评估200条精子只需要20秒的时间，超过专业医生，而在预测准确率上，也已经达到专业医生标准。实验的可视化结果图见图4。其中左侧为医生标注，右侧为模型标注，两者均使用浅色方框表示存活精子，深色方框表示死亡精子，深色圆圈标注为不一致的地方。第一组展示了和医生标注完全一致的情况，仅在深色圆圈标注处模型输出了一个远大于医生标注的检测框，但由于标注的是同一个精子头部且分类一致，并不影响最终结果；第二组展示了一张非常模糊的精子图片，仔细观察可以看到深色圆圈标注处确实存在一个存活精子，模型对该精子进行了标注而医生将其遗漏；第三组左上角深色圆圈标注处也存在一个很模糊的死亡精子，没有被医生标注，同时图片右侧存在医生分类错误的情况；第四组图片展示了模型实际表现最差的情况，出现了两个错误，分别是左上角的分类错误和图片下方的目标遗漏。综合评估之后，本发明的方法已经有与临床专业医生相当的存活率检测水平，并且在一些人类肉眼较难分辨的模糊情况下超过专业医生。