本發明涉及醫學圖像處理技術領域，實施例具體公開一種精子存活率檢測方法及裝置。本申請通過獲取精子染色顯微圖像，將其通過精子檢測模型，獲得精子圖像、精子在圖像中的位置信息、以及精子存活或者未存活的檢測結果，再根據精子存活數量和未存活數量計算出精子存活率，相對傳統目標檢測算法大大的提高了精子檢測準確度，從而對精子存活率判斷更加準確。

技術領域

本發明涉及醫學圖像處理技術領域，具體涉及一種精子存活率檢測方法及裝置。

背景技術

精子存活率檢測需要通過存活率試劑(伊紅試劑)進行染色，然后在100倍顯微鏡下通過顏色判斷精子正常、異常(紅色為異常精子，無色為正常精子)。

傳統的精子存活率檢測方法主要是將染色后的玻片放在顯微鏡100倍鏡下拍照，然后將拍照所得圖像通過傳統目標檢測算法(如Cascade+HOG/DPM+Haar/SVM)對精子進行目標檢測，然后通過傳統分類算法對精子進行分類判定，但是由于傳統算法需要手工設計特征，而精子存活率圖像多樣性的變化會導致特征沒有很好的魯棒性，從而導致精子存活率識別率和準確度不高，和臨床醫師判定結果有較大的差別。

發明內容

有鑒于此，本申請提供一種精子存活率檢測方法及裝置，能夠解決或者至少部分解決上述存在的問題。

為解決以上技術問題，本發明提供的技術方案是一種精子存活率檢測方法，包括：

S11：獲取精子染色顯微圖像；

S12：將精子染色顯微圖像通過精子檢測模型，獲得精子圖像、精子在圖像中的位置信息、以及精子存活或者未存活的檢測結果；

S13：根據精子存活數量和未存活數量計算出精子存活率。

優選的，精子存活率檢測方法還包括S10：生成精子檢測模型；所述S10的方法包括：

S101：篩選出大樣本的精子染色顯微圖像；

S102：在精子染色顯微圖像上標注出精子存活或者未存活，并將標注后的精子染色顯微圖像分為訓練圖像集和測試圖像集；

S103：在TensorFlow框架下，采用ResNet50-ssd網絡模型對訓練圖像集進行訓練，再通過測試圖像集來驗證并更新ResNet50-ssd網絡模型參數再進行訓練，循環此過程直到獲得最終的精子檢測模型。

優選的，所述S103中在TensorFlow框架下，采用ResNet50-ssd網絡模型對訓練圖像集進行訓練的方法包括：

調節ssd的網絡結構，將基礎網絡替換為ResNet50網絡，并調節相應的訓練參數：學習率、訓練圖像數量、迭代次數、選擇優化器和選擇損失函數；

進行先驗框匹配，對訓練圖像中每個真實目標，找到與其IOU最大的先驗框與其匹配，其中IOU的公式為：其中area為真實目標框和先驗框交集面積，area1為真實目標框的面積，area2為先驗框的面積；

確定損失函數，損失函數為位置誤差與置信度誤差的加權和，公式為：其中L為損失函數，其中x∈{1,0}是先驗框的正樣本數量，這里x為一個指示參數，當x＝1時表示先驗框與真實框匹配，c為類別置信度預測值，l為先驗框的所對應邊界框的位置預測值，而g是真實框的位置參數；

進行數據擴增，數據擴增采用水平翻轉、隨機裁剪加顏色扭曲和隨機采集塊域即獲取小目標訓練樣本；

進行預訓練，對于每個預測框，首先根據類別置信度確定其類別與置信度值，并過濾掉屬于背景的預測框，然后根據置信度閾值過濾掉閾值較低的預測框，對于留下的預測框進行解碼、修剪，根據先驗框得到其真實的位置參數，解碼之后需要根據置信度進行降序排列，然后僅保留最優k個預測框，最后就是進行NMS算法，過濾掉重疊度較大的預測框，最后剩余的預測框就是檢測結果。