尿沉渣检测是医院常规检测项目之一,是指利用显微镜对离心后尿液的沉渣物即有形成分进行检测,为相关病情的判定提供定量的指标,具有十分重要的意义。传统的人工镜检工作量大,操作繁琐并且效率低下,容易漏检和误检。近年来,基于图像处理技术的自动尿沉渣检测成为一个研究热点,但由于尿沉渣显微图像采集过程的不确定性,尿沉渣显微图像的质量往往较低,伴有较多的噪声和粘连,使用图像处理的方法很难得到精确的图像分割结果从而影响后续的特征提取和分类识别过程。为了解决上述问题,本文利用机器学习方法,对尿沉渣显微图像中有形成分的检测算法进行研究。基于本课题数据集,本文主要研究有形成分中红细胞和白细胞的检测,具体的工作如下:1、依托项目,对公司提供的尿沉渣显微图像进行预处理,参照《实用尿液有形成分图鉴》一书和相关专业人员的培训,进行数据集的制作,包括图像的标注,单样本的裁剪和数据增广。2、提出了一种基于聚合通道特征(ACF)的尿沉渣检测算法,将传统的图像分割+特征提取+分类识别任务转变为检测任务。采用聚合通道特征及其变种,结合基于决策树的Adaboost分类器,针对不同的尿沉渣有形成分设计不同的检测器。实验验证了提出算法的有效性。3、提出了一种基于不平衡局部Fisher判别分析(ILFDA)的尿沉渣检测算法。算法使用设计好的Haar-like模板对聚合通道特征(ACF)进行滤波提取中间层特征,对单一通道的中间层特征进行随机子空间投影构建新的候选特征,考虑训练样本的不平衡性以及样本分布的流形结构,提出ILFDA方法用来学习投影的权重系数从而构建新的候选特征。该算法能够有效提高特征的表达能力和检测精度。4、提出了一种基于SVM和Trimmed MobileNets的两阶段尿沉渣检测算法。采用HOG+SVM作为尿沉渣检测的区域生成模块,考虑在终端应用深度学习算法,其速度和内存控制的重要性,对MobileNets网络进行了裁剪,裁剪后的MobileNets网络作为分类模块,实验证明提出的方法在保证精确度的同时,模型更小,检测速度更快。5、探索了基于Faster R-CNN的尿沉渣检测算法,比较分析了不同基础网络、锚点设置和池化方式对检测性能的影响,提出的改进Faster R-CNN模型更适合于尿沉渣检测,达到性能最优。本文提出的上述尿沉渣显微图像中有形成分的检测算法准确率高速度快,对推动自动尿沉渣检测的发展具有一定的意义。