[发明专利]对肾脏病免疫荧光图片进行识别分类的方法及装置

权利要求书

1.一种对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，包括：

获取肾脏病免疫荧光图片；

将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；

将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。

2.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述方法还包括：

基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。

3.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；

相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：

基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。

4.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：

基于DeblurrNet算法构建所述去模糊神经网络模型；所述DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。

5.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：

采用Grad-CAM对分类神经网络模型进行识别特征可视化。

6.一种对肾脏病免疫荧光图片进行识别分类的装置，其特征在于，包括：

获取模块，用于获取肾脏病免疫荧光图片；

去模糊模块，用于将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；

分类模块，用于将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。

7.根据权利要求6所述的对肾脏病免疫荧光图片进行识别分类的装置，其特征在于，所述装置还包括：

筛选模块，用于基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。

8.根据权利要求6所述的对肾脏病免疫荧光图片进行识别分类的模块，其特征在于，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；

相应地，所述分类模块，具体用于：

基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。