1.一种基于HAT-MixNet实现尿沉渣有形成分智能识别方法,其特征在于,包括下列步骤:(1)、所使用的细胞样本包括红细胞、白细胞、粘液丝、管型、假菌丝酵母菌、孢子、盐、结晶、精子、杂质十大类;
(2)、对所有灰度医疗细胞样本进行数据增强,用Mixup技术后得到数据增强后的灰度医疗细胞样本作为实验所用的数据集样本,将数据集分为训练集和验证集;
(3)、将增强后的灰度医疗细胞样本导入HAT-MixNet网络中进行训练,过程如下:
1)读入一幅灰度医疗细胞样本;
2)需要将读入细胞样本的尺寸设为224×224特征通道数设为3;
3)之后到设有4×4的卷积核k4、步长为4的Hat2d卷积层模块,再经过一次层归一化Layer Norm后输出尺寸为56×56、特征通道数设为96的细胞样本特征图片;
4)接着经过3次HAT-MixNet block处理模块后完成第一个阶段的特征处理,完成第一阶段后细胞样本仍为尺寸为56×56、特征通道数设为96的特征图片;
5)上述特征图片再经过一个下采样层Downsample后通过一个特征通道数为192的HAT-MixNet block处理模块,3次重复处理后完成第二个阶段的特征处理,此时输出尺寸为28×28、特征通道数设为192的特征图片;
6)将得到的特征图片放入下采样层Downsample后通过特征通道数为384的HAT-MixNetblock处理模块,9次重复处理后完成第三个阶段的特征处理,此时输出尺寸为14×14、特征通道数设为384的特征图片;
7)再特征图放入下采样层Downsample后通过特征通道数为768的HAT-MixNet block处理模块,3次重复处理后完成第四个阶段的特征处理,输出尺寸为7×7、特征通道数为768的特征图;
8)将所得特征图经过全局平均池化Global Avg Pooling和归一化层Layer Norm,再调用PyTorch1.13.1+cu117库中的Linear层将输出的特征图转化成1000个输出的特征;
(4)、经HAT-MixNet网络训练完的灰度医疗细胞样本通过HeatMAP热力图技术变为特征可视化的热力图,最终对细胞样本种类的识别准确无误后,得到训练好的HAT-MixNet模型;
(5)、得到训练好的HAT-MixNet模型后,将一幅灰度医疗细胞样本图片输入到模型中便可自动识别出细胞的种类。
2.根据权利要求1所述的基于HAT-MixNet实现尿沉渣有形成分智能识别方法,其特征在于:所述步骤(2)中将数据集按比例9:1分为训练集和验证集,Batch Size设为4,训练轮数Epoch设为70,学习率取值范围设为0至0.001,实验衰减系数设置为0.0001到0.001之间。
3.根据权利要求1所述的基于HAT-MixNet实现尿沉渣有形成分智能识别方法,其特征在于:所述HAT-MixNet网络中下采样层Downsample组成部分由一个归一化层Layer Norm和一个有卷积核大小为2×2、步长为2的Hat2d卷积层模块构成。
4.根据权利要求1所述的基于HAT-MixNet实现尿沉渣有形成分智能识别方法,其特征在于:所述HAT-MixNet网络中HAT-MixNet block处理模块的处理过程是:a.应用一个Depthwise Hat2d卷积,初始通道数设置成96,Depthwise Hat2d卷积中设置三个7×7卷积核、步长设为1,经过Depthwise Hat2d卷积后进行一个层归一化LayerNorm,b.通过一个卷积核大小为1×1步长为1的Hat2d卷积层模块,之后经过一个GELU激活函数;
c.通过一个卷积核大小为1×1步长为1的Hat2d卷积层模块后,经过缩放层LayerScale和正则化处理Drop Path;
d.再将输出特征图片和输入特征图片相叠加作为新的输出特征图片。