[发明专利]一种基于深度学习的肾小球节段性硬化程度确定方法、计算机设备及计算机可读存储介质

说明书

本发明公开了一种基于深度学习的肾小球节段性硬化程度确定方法、计算机设备及计算机可读存储介质，本发明的方法能够用于确定肾小球阶段性硬化及其程度，为后续的诊断与治疗提供了准确的依据。本发明中，平均每张图片处理用时4.768*10^‑7ms，本发明方法的准确率为97％以上。本申请所提出的方法，能够用于解决目前传统图像处理的准确性差与效性差的问题。

技术领域

本发明具体涉及一种基于深度学习的肾小球节段性硬化程度确定方法、计算机设备及计算机可读存储介质。

背景技术

肾小球是一团球形的毛细血管网。入球小动脉自血管极进入肾小囊，分为5～8支，继而分成许多袢状毛细血管。这些毛细血管盘绕成5～8个毛细血管小叶或节段(Segment)，小叶内的毛细血管之间有系膜组织相连接，毛细血管之间的吻合支很少。每个小叶的毛细血管再依次集中为较大的血管，然后再与其他小叶的小血管汇合为出球小动脉，从血管极离开肾小球。

节段性肾小球硬化是一种肾小球疾病，其组织病理学特征是肾小球节段性瘢痕化，伴或不伴肾小球毛细血管内泡沫细胞形成和粘连。节段性是指肾小球的部分小叶被累及；球性硬化是指整个肾小球阶段性的玻璃样变化或瘢痕形成。

现有技术中，主要通过医生的临床经验来进行确定是否肾小球节段性硬化，通常使用光镜检查，该方法诊断效率慢。另外，现有的技术中主要应用一些传统的图像检测办法，如利用opencv中提供的API进行分割或者检测，这种方法虽然能够处理当前的图片，但是不能为大批量的图片处理提供通用的方法。

传统的图像处理方法虽然能够处理当前的图片样本，但是针对大规模数据集不具备很好的泛化能力，需要对单个图片数据手动设置参数，从而导致样本处理时间成本的增加，另外手动设置参数并不能够获得最优的参数值，这也导致其准确率不高。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种基于深度学习的肾小球节段性硬化程度确定方法、计算机设备及计算机可读存储介质。

为了实现上述目的，本发明提供以下技术方案：

一种基于深度学习的肾小球节段性硬化程度确定方法，包括以下步骤：

(1)将图片输入肾小球分割与肾小球硬化分类模型，获得每张图片的分类结果；

(2)分割肾小球毛细血管泮轮廓，得到肾小球毛细血管泮轮廓列表，如果轮廓列表长度为0，那么说明该肾小球不存在毛细血管泮，否则判定为有毛细血管泮并保存对应的毛细血管泮轮廓列表；

(3)利用步骤(2)得到的肾小球毛细血管泮轮廓，统计每个肾小球所有毛细血管泮的轮廓面积之和，利用步骤(1)得到的节段性硬化的肾小球的外轮廓面积与其作比，得到一个面积比率；

(4)利用一批图片数据集重复步骤(3)的计算得到面积比率，再利用Kmeans聚类算法，得到阈值即为肾小球阶段性硬化程度的判别阈值，根据阈值划分肾小球节段性硬化程度。

进一步地，步骤(1)中，肾小球分割和肾小球硬化的分类阶段，分割任务和分类任务合并为一个任务，分割出来的肾小球直接进行类别的判断。

进一步地，步骤(1)中，将unet模型用来同时做分类和分割任务，下采样输出结果用于分类，上采样完成后的结果用于做分割任务；在unet模型上加入了efficientnet_b3网络模型。

进一步地，步骤(1)中，肾小球分割与肾小球硬化分类模型训练过程包括数据集预处理、模型搭建和训练。

进一步地，数据集预处理：剔除一些干扰图片，制作图片掩码和分类标签；