[发明专利]一种基于深度学习的肾小管萎缩区域识别方法与系统

说明书

本发明属于人工智能辅助医疗技术领域，具体涉及一种基于深度学习的肾小管萎缩区域识别的方法与系统，包括以下步骤：S1获取已进行肾小管萎缩区域标注的肾脏病理切片的图像；S2基于所述图像以及对应的肾小管萎缩区域标注，对实例分割网络进行训练；所述实例分割网络为改进后的mask‑RCNN网络，网络中加入了级联网络级联各个检测模型，设置不断增加的IOU阈值界定样本训练模型，前一个检测模型的输出作为一个检测模型的输入，IOU值一直上升；S3将待检测图像输入训练好的实例分割网络中，得到待检测图像中各个肾小管萎缩区域的目标框位置；S4计算各个肾小管萎缩区域的面积以及比例。本发明可以实现肾小管萎缩区域的检测，检测精度高，而且漏检率低。

技术领域

本发明属于人工智能辅助医疗技术领域，具体涉及一种基于深度学习的肾小管萎缩区域识别的方法与系统。

背景技术

慢性肾脏疾病(CKD)目前被世界卫生组织(WHO)认为是主要的公共卫生挑战之一，肾活检在慢性肾脏疾病的诊断和治疗中起到了关键的作用。目前肾穿刺病理活检的病理诊断已经成为了肾脏疾病患者诊断、治疗和判断预后的重要参考依据。

病理在医疗领域有着至关重要的作用，其中在慢性肾病诊断中，肾脏组织经粗针穿刺、钳取、切取、切除后，制成病理切片后的诊断结果最为准确、可靠，是慢性肾病诊断的“金标准”。很多肾病必须通过病理和临床信息结合，甚至只能通过病理信息才能诊断。因此病理切片十分重要，并且对准确度要求很高。肾小管萎缩是慢性肾病的主要表现形式，在检查病人是否患有肾小管萎缩时，需要病理医生观察病人的肾脏病理切片，并且需要权威的病理医生判断萎缩区域的面积比，但是医疗需求与资源之间的矛盾使得传统的医疗手段不能满足病患的需要。一些三甲医院病理科每天会产生上千张肾脏病理切片，虽然大部分可能没有阳性结果，但仍需医生在显微镜下严格审查每张病理切片，判断肾小管是否有萎缩区域，耗费大量精力。

随着近年来人工智能和深度学习的不断发展，深度学习越来越多的应用于医疗领域。为了辅助病理医生筛查病理切片，提高工作效率，需要提出一种新的识别方法，以实现肾小管萎缩区域的自动识别。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于深度学习的肾小管萎缩区域识别的方法与系统，以实现肾小管萎缩区域的自动识别，提高病理医生筛查病理切片的效率。

为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的肾小管萎缩区域识别方法，包括以下步骤：

S1、获取已进行肾小管萎缩区域标注的肾脏病理切片的图像；

S2、基于所述图像以及对应的肾小管萎缩区域标注，对实例分割网络进行训练；所述训练过程包括：

S201、将所述图像输入ResNet101-FPN骨干网络进行特征提取得到特征图；

S202、然后将特征图输入RPN网络，得到ROI区域；

S203、将ROI区域通过ROI Align层进行尺寸处理，得到ROI区域尺寸固定的特征图，通过网络输出模块进行边框回归计算；

S204、设定IOU阈值，将IOU值大于IOU阈值的边框回归后的特征图再次输入ROIAlign层进行尺寸处理，得到ROI尺寸固定的特征图，通过网络输出模块进行边框回归计算；

S205、不断增加IOU阈值，重复步骤S204，直至网络输出模块输出的所有特征图的IOU值小于IOU阈值，训练完成；

S3、获取待检测图像，将待检测图像输入训练好的实例分割网络中，得到待检测图像中各个肾小管萎缩区域的目标框位置；

S4、计算各个肾小管萎缩区域的面积以及比例。

RPN网络得到ROI区域的具体步骤为：