一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质技术

本发明专利技术公开了一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质，本发明专利技术方法能够用于确定肾间质炎症细胞、炎症细胞浸润的区域及程度，为后续的诊断与治疗提供了依据。本发明专利技术所提出的方法，还可以用于解决目前传统图像处理时效性差的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质


[0001]本专利技术具体涉及一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质。

技术介绍

[0002]肾间质是位于肾单位及集合管之间的结缔组织，由间质细胞、网状纤维、少量弹力纤维、成纤维细胞和巨噬细胞等组成。因炎症、遗传或其他疾病导致肾间质受损，可累及肾小管、肾盂、肾盏，发生排尿障碍和机体电解质以及酸碱平衡紊乱。
[0003]现有技术中，主要通过实际经验来进行确定，该方法诊断效率慢，误检率高，花费成本高。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质。
[0005]为了实现上述目的，本专利技术提供以下技术方案：
[0006]一种基于深度学习的图像中肾间质炎症细胞确定方法，包括以下步骤：
[0007](1)获取一张病理条图片，然后根据已知的肾小球、肾血管、肾小管的轮廓和病理条外轮廓制作掩码，将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0；
[0008](2)根据获得的掩码将图片裁切成小块，得到图片列表；
[0009](3)将图片列表按照要求的batch_size大小，将图片分批输入到训练好的分割模型中，得到分割后的结果；
[0010](4)根据裁切窗口坐标位置，将分割后的掩码拼接成一张大图；掩码的第三个通道为炎症细胞的区域，然后获取该通道中非零元素的位置，将非零元素位置的值加起来，求平均值得到c1,然后对c1进行归一化处理，得到score＝c1/255；这样就获得每个炎症细胞的得分和细胞轮廓。
[0011]进一步地，还包括：
[0012]步骤(5)根据得到的炎症细胞的轮廓，获得每个炎症细胞轮廓的重心位置，然后根据重心位置将细胞先以半径50的距离利用密度聚类聚集到一起，然后再以半径100的距离合并一些相似的小块，得到一个相对大的炎症细胞区域。
[0013]进一步地，还包括：
[0014]步骤(6)求每个炎症细胞的凸包，对凸包内炎症细胞进行面积统计，根据公式计算面积得分score＝1.0*(非浸润区域细胞面积+浸润区域细胞面积)/(肾小球、肾血管、肾小管区域面积+非细胞区域面积+非浸润区域细胞面积+浸润区域细胞面积)，然后根据[0.05,0.1,0.2,0.3,1.0]阈值将该得分划分不同的标签区域，从而得到炎症细胞浸润的区域及程度。
[0015]进一步地，步骤(1)中，病理条外轮廓的检测是利用函数findContours提取得到：
[0016](1.1)首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩放，获得缩放图片中阈值小于200大于10的像素区域，转为uint8格式，得到图片掩码；
[0017](1.2)然后利用闭操作进行处理，将掩码中的空洞进行填充，然后使用轮廓检测函数，获得图片中的轮廓，取轮廓面积大于设定阈值的轮廓，最终获得病理条图片的外轮廓。
[0018]进一步地，步骤(2)中，裁切过程中边界像素记为boundary_pixels，图片缩放尺寸为img_scale,缩放后的边界像素点bp＝boundary_pixels/img_scale，窗口大小为win_size＝640/img_scale也和图片保持一样的缩放比；大图图片的宽高分别填充2*bp大小，然后以win_size大小的窗口进行裁切，重叠区域overlap＝2*bp进行裁切。
[0019]进一步地，步骤(4)中，利用findContours函数检测出所有炎症细胞的细胞轮廓。
[0020]进一步地，步骤(3)中，分割模型采用的是unet网络模型，unet网络模型的下采样过程用efficientnet_b3代替。
[0021]进一步地，步骤(3)中，分割模型训练过程中设置的参数：
[0022]学习轮次为200次，初始学习率为0.01，batch_size大小为24；weight_decay＝0.0001，使用的优化器为Adam。
[0023]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时能够实现以上所述的基于深度学习的图像中肾间质炎症细胞确定方法中的步骤。
[0024]一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时能够实现以上所述的基于深度学习的图像中肾间质炎症细胞确定方法中的步骤。
[0025]本专利技术的有益效果是：
[0026]本专利技术方法能够用于确定肾间质炎症细胞、炎症细胞浸润的区域及程度，为后续的诊断与治疗提供了依据。本专利技术所提出的方法，还可以用于解决目前传统图像处理时效性差的问题。本申请基于深度学习的方法，使得模型具有更好的鲁棒性和泛化能力，相比现有的检测法能够获得较好的准确性，并能提高就检测效率。
附图说明
[0027]图1是肾间质炎症细胞浸润确定方法的流程图。
[0028]图2是计算机设备的示意图。
[0029]图3是实施例1中，步骤(1)处理前的图片与处理后得到的图片示意图，其中(1)是处理前的病理条图片，(2)是处理后得到的图片。
[0030]图4是实施例1中，裁切后得到的小图示例，其中(1)是裁切得到的小图，(2)是模型输出的小图掩码图片。
[0031]图5是实施例1中，将所有分割出来的掩码拼接到一起得到的输出掩码图。
[0032]图6是实施例1中，浸润区域凸包的示意图，其中(1)是凸包，(2)是从原图中裁切下来的炎症细胞聚集的区域。
[0033]图7是实施例1中，得到的最终结果图。
具体实施方式
[0034]以下结合附图对本专利技术的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本专利技术的详细说明，不应视为对本专利技术的限定。
[0035]一种基于深度学习的图像中肾间质炎症细胞确定方法，包括以下步骤：
[0036](1)获取一张病理条图片，然后根据已知的肾小球、肾血管、肾小管的轮廓和病理条外轮廓制作掩码，将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0。由步骤(1)可以得到肾间质区域。
[0037]病理图片采集设备(比如病理切片扫描仪)中获得的正常的图片都可以适用于本专利技术的方法。
[0038]所述病理条指的是：有效的病理条，即包含皮质区域的病理条，皮质区域中包含肾小球、肾血管、肾小管。
[0039]其中病理条外轮廓的检测是利用opencv提取得到：
[0040](1.1)首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩放(一般缩放1/4或者1/8)，获得缩放图片中阈值小于200大于10的像素区域，转为uint8格式，得到图片掩码。
[0041](1.2)然后利用闭操作进行处理，将掩码中的空洞进行填充，然后使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像中肾间质炎症细胞确定方法，其特征是，包括以下步骤：(1)获取一张病理条图片，然后根据已知的肾小球、肾血管、肾小管的轮廓和病理条外轮廓制作掩码，将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0；(2)根据获得的掩码将图片裁切成小块，得到图片列表；(3)将图片列表按照要求的batch_size大小，将图片分批输入到训练好的分割模型中，得到分割后的结果；(4)根据裁切窗口坐标位置，将分割后的掩码拼接成一张大图；掩码的第三个通道为炎症细胞的区域，然后获取该通道中非零元素的位置，将非零元素位置的值加起来，求平均值得到c1,然后对c1进行归一化处理，得到score＝c1/255；这样就获得每个炎症细胞的得分和细胞轮廓。2.根据权利要求1所述的一种基于深度学习的图像中肾间质炎症细胞确定方法，其特征是，还包括：步骤(5)根据得到的炎症细胞的轮廓，获得每个炎症细胞轮廓的重心位置，然后根据重心位置将细胞先以半径50的距离利用密度聚类聚集到一起，然后再以半径100的距离合并一些相似的小块，得到一个相对大的炎症细胞区域。3.根据权利要求1所述的一种基于深度学习的图像中肾间质炎症细胞确定方法，其特征是，还包括：步骤(6)求每个炎症细胞的凸包，对凸包内炎症细胞进行面积统计，根据公式计算面积得分score＝1.0*(非浸润区域细胞面积+浸润区域细胞面积)/(肾小球、肾血管、肾小管区域面积+非细胞区域面积+非浸润区域细胞面积+浸润区域细胞面积)，然后根据[0.05,0.1,0.2,0.3,1.0]阈值将该得分划分不同的标签区域，从而得到炎症细胞浸润的区域及程度。4.根据权利要求1所述的一种基于深度学习的图像中肾间质炎症细胞确定方法，其特征是，步骤(1)中，病理条外轮廓的检测是利用函数findContours提取得到：(1.1)首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩放，获得缩放图片中阈值小于200大于10的像素区域，转为uint8格式，得到图片掩...

【专利技术属性】
技术研发人员：汪太平，张敏飞，
申请(专利权)人：杭州医派智能科技有限公司，
类型：发明
国别省市：