[发明专利]一种膜性肾小球数据自主处理与智能分型方法

说明书

本发明公开了一种膜性肾小球数据自主处理与智能分型方法，该分型方法步骤如下：S1、采集并标注膜性肾小球图像数据；S2、对所获取的膜性肾小球图像数据进行数据预处理；S3、对预处理后的膜性肾小球图像数据进行聚类分析以获取初始设定的锚框尺寸以及数据划分的参数；S4、根据初始设定的锚框与数据划分参数建立并训练优化膜性肾小球智能分型级联模型，获得膜性肾小球的边框及分型结果；S5、对膜性肾小球的边框及分型结果进行总体性的综合统计分析，从而获取总体膜性肾小球数据的智能评估结果。本发明通过聚类分析设定的初始锚框提高了边框的回归质量，通过膜性肾小球智能分型级联模型的设计提高了膜性肾小球的检测速度及分型准确率。

技术领域

本发明涉及深度学习细胞检测及统计学分析技术领域，具体涉及一种膜性肾小球数据自主处理与智能分型方法。

背景技术

细胞检测与分型系统是目标检测算法中的重要应用场景之一。高准确率、高召回率、快检测速度及高泛化性的细胞检测与分型算法在细胞检测与分型中具有重大意义。目前，细胞检测算法主要划分为传统的机器学习算法与深度学习算法。其中，传统的机器学习算法依靠细胞的先验特征来设计检测算子，从而实现细胞的特征提取进而通过滑动窗口的方法来实现细胞的检测与分型；而深度学习算法则主要是通过基础的主干网络来提取图像特征并通过后处理算法来实现细胞的检测与分型。

传统的机器学习算法检测速度慢，且其对不同环境下采集的细胞数据检测及分型结果的鲁棒性差；而目前有关细胞检测与分型的深度学习算法虽然在准确率及检测速度方面高于传统的机器学习算法，但其准确率、检测速度及泛化性仍然有待提高。

通过专业数据调研可知：现有有关肾小球图像数据的研究工作主要集中于检测肾小球的有无、肾小球结构是否完整及肾小球是否发生硬化等比较简单易观的任务上。而目前针对复杂的肾小球结构细节图像数据处理主要利用传统的算法来提取肾小球边缘信息进而提取肾小球结构特征来实现的。但传统算法对肾小球，尤其是对结构缺损或结构偏转的肾小球，的检测召回率与精确率都比较差。此外，在深度学习方向上，目前有关肾小球结构细节数据处理与分析任务的精确度及效率较差，无法实现高强度的智能自动化肾小球数据处理与分析。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种膜性肾小球数据自主处理与智能分型方法。

本发明的目的可以通过采取如下技术方案达到：

一种膜性肾小球数据自主处理与智能分型方法，所述分型方法包括以下步骤：

S1、在苏木精-伊红染色(HE染色)、过碘酸雪夫染色(PAS染色)、过碘酸六胺银染色(PASM染色)及马松染色(Masson染色)四种染色环境下采集不同光照下高分辨率的膜性肾小球图像数据并对膜性肾小球进行边框及类型的标注；

S2、对所获取的膜性肾小球图像数据进行数据预处理；

S3、对预处理后的膜性肾小球图像数据中的边框数据进行聚类分析以获取初始设定的锚框尺寸；对预处理后的膜性肾小球图像数据中的类型数据进行统计分析以获取膜性肾小球类型的数据分布情况，进而根据各类型膜性肾小球的数据分布占比来划分膜性肾小球图像数据以及设定各类型膜性肾小球的学习加权大小；

S4、根据初始设定的锚框与数据划分参数建立并训练优化膜性肾小球智能分型级联模型，获得膜性肾小球的边框及分型结果；

S5、对所述膜性肾小球的边框及分型结果进行总体性的综合统计分析，从而获取总体膜性肾小球数据的智能评估结果。

进一步地，所述步骤S2中数据预处理的具体操作流程如下：

S21、标注数据统一化操作，即对标注数据进行文件格式与编码转化以及归一化操作，以保证标注数据格式与编码的一致性与标准化；

S22、图像缺损自检操作，即对膜性肾小球图像数据进行图像缺损检查，以保证图像数据的完整性；