[发明专利]一种基于深度神经网络的肾小球细胞图像识别方法

说明书

本发明公开了一种基于深度神经网络的肾小球细胞图像识别方法，基于人工智能与深度学习技术，获取待检测的病理图像；对病理图像进行预处理得到多个切片图像；将各个切片图像输入到预设神经网络模型中进行识别分割得到肾小球区域图；对肾小球区域图进行细胞计数；可快速精确地分割出病理图像中肾内部的肾小球的子图像，以及使用传统方法和深度学习融合模型对肾小球内部的细胞计数，解决了人工识别病理图像中肾小球工作量大效率低、高误诊率的问题；优化了病理图像中肾小球子图像分割和肾小球细胞计数算法，使用更多数据训练算法，提高了分割和计数的准确率，本发明涉及生物医学图像处理领域。

技术领域

本发明涉及生物医学图像处理、深度学习技术领域，具体涉及一种基于深度神经网络的肾小球细胞图像识别方法。

背景技术

现代医学的飞速发展促使探测方法和显示手段日趋更精确、更直观、更完善。人体医学图像含有极其丰富的人体信息，当借助于医学成像技术获得图像后，需对其进行分析、识别、分割、校准、分类和解释，针对医学图像的临床应用和需要解决的医学问题，确定哪些部分应增强或哪些特征应被提取，从而提供更为直观数据。它可以作为合理安排病人检查程序的依据，从而做到以最快的速度和最经济的手段达到最客观的诊断目的，进而帮助最优治疗方案的选择、确定和实施。因此，利用高技术手段对所取得的医学图像进行处理，是医学图像学中一项迫切需要完成的研究工作。对于降低由于人主管因素导致的误诊概率，提高医务工作者的工作效率，以及提供更为客观的诊断依据都具有重要的意义。临床上，肾脏疾病检查一般采用活检，其得出的诊断结果最为准确。活检，全称活体组织检查，是用局部切除、钳取、穿刺针吸以及骚刮、摘除等手术方法，由患者活体采取病变组织进行病理检查，以确定诊断。该方法的优点在于组织新鲜，能基本保持病变的原貌。对于临床工作而言，该检查方法有助于及时准确对疾病做出诊断和进行疗效判断。肾组织活检测，一般情况下，是由有经验的医师通过观察由肾活检得到的组织切片图像，得到肾小球的病理形态学改变及球内细胞核增生及分布情况，配合医师的临床经验进行分析后得出一系列结论，从而给出病理诊断报告。为了确保能够发现已存在的问题，医生需要对取得的肾活检组织切片做尽可能多的观察，临床上每个被检者大约有800幅图片需要被观察，从这个数字可以看出，通过肉眼观察识别目标物的工作量很大，效率低下，并且随着观察者疲劳程度的增加，误诊率也会随之上升。随着计算机技术、成像技术及图像处理技术的迅猛发展，使得对肾脏组织切片的自动分析成为可能，通过对图形进行计算机智能化处理后，可使图像诊断摒弃传统的肉眼观察和主管判断。本文提出了一种基于病理图像的肾小球分割和肾小球内细胞计数的深度学习算法，完成对肾小球提取以及球内细胞核计数，实现对肾脏组织切片图像进行定性分析和定量计算。目前肾小球分割及其细胞分割和技术准确率还有待提高，不能达到应用到实际的水平，需要进行进一步的优化，提高肾小球分割的准确率和实现球内细胞计数。其主要有3个缺陷：1、传统的靠医师通过肉眼观察识别病理图像中的肾小球工作量很大，效率低下，并且随着观察者疲劳程度的增加，误诊率也会随之上升。2.目前已有的肾小球分割和肾小球细胞计数算法的准确率不高，需要继续优化，提高分割和计数的准确率。3.由于病理图像很大，肾小球内细胞密集，用传统单一的神经网络方法识别率低，需要在深度学习分割后通过特定后处理方法才能更好的识别。

发明内容

本发明的目的在于提出一种基于深度神经网络的肾小球细胞图像识别方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明提供一种基于深度神经网络的肾小球细胞图像识别方法，利用相应的ROI提取算法提取病理图像的感兴趣区域，过滤掉病理图像的空白区域，减少了后续切图的工作量；采用多层切割或逐层聚焦的图片切割方法，模拟了医者使用显微镜观察切片的过程；在生成切片时生成多层次不同大小的切片为后续的特性提取做准备，增强学习的泛化性能；使用基于阈值的图像分割方法，如直方图双峰法图像分割、固定阈值图像分割、半阈值分割图像分割、迭代阈值图像分割、自适应阈值图像分割、最佳阈值图像分割等和FastFCN、SegNet、Unet及各种变体、RefineNet等深度神经网络细胞检测算法相结合，实现对肾小球细胞更加精确的计数。