一种基于深度学习的肾小球球囊基膜增厚的检测方法、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肾小球球囊基膜增厚的检测方法、计算机设备及计算机可读存储介质，本发明专利技术方法可以被用于检测肾小球球囊基膜及其增厚，本发明专利技术方法检测准确度高，效率高，可以为后续相关疾病的诊断与治疗提供了准确的依据。提供了准确的依据。提供了准确的依据。

【技术实现步骤摘要】
一种基于深度学习的肾小球球囊基膜增厚的检测方法、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肾小球球囊基膜增厚的检测方法、计算机设备及计算机可读存储介质。

技术介绍

[0002]肾小球(glomerulus)是血液过滤器，肾小球毛细血管壁构成过滤膜。循环血液经过肾小球毛细血管时，血浆中的水和小分子溶质，包括少量分子量较小的血浆蛋白，可以滤入肾小囊的囊腔而形成滤过液，用微穿刺法实验证明，肾小球的滤过液就是血浆中的超滤液。
[0003]肾小球基膜是肾小球滤过膜的组成结构之一，是维持肾脏正常滤过功能的主要结构。肾小球基膜结构成分及厚度的改变可影响多种肾脏疾病的发生和发展。
[0004]肾小球基膜没有细胞，厚240～370nm，电镜下从内至外可分为三层，即内疏松层、致密层及外疏松层。肾小球基膜是控制滤过分子大小的主要部分，也是机械屏障的主要部分。
[0005]肾小球基膜受损参与糖尿病肾病、基膜肾病、遗传性肾病和IgA肾病等疾病的发生和发展。奥尔波特综合征(Alport综合征)和薄基底膜肾病是与肾小球基膜密切相关的遗传性肾病。另外，足细胞在肾小球基膜重塑过程中具有重要作用，同样肾小球基膜结构异常亦能影响足细胞功能，因此与肾小球基膜相关的肾脏疾病或许可以归结为“基膜
‑
足细胞肾病”，这些疾病可能存在多种共同的致病机制。
[0006]现有技术中，主要通过经验来进行确定，该方法诊断效率低，误检率高，花费成本高。

技术实现思路

[0007]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肾小球球囊基膜增厚的检测方法、计算机设备及计算机可读存储介质。
[0008]为了实现上述目的，本专利技术提供以下技术方案：
[0009]一种基于深度学习的肾小球球囊基膜增厚的检测方法，包括以下步骤：
[0010](1)将病理图片裁切成为小图；
[0011](2)将裁切后的小图输入到训练好的深度学习分割网络模型中，模型会返回输入图片的分割掩码图；掩码图有两个通道，分别对应球囊基膜增厚的级别；
[0012](3)计算肾小球轮廓上每个前景像素点到分割区域的前景像素点的欧氏距离，保留欧氏距离小于20像素的肾小球轮廓点,最终只对该范围对应的分割区域进行处理；
[0013](4)计算步骤(3)得到的分割区域前景像素点到背景像素点的最大欧氏距离，根据最大欧氏距离判断球囊基膜的增厚程度。
[0014]进一步地，步骤(1)中，将病理图片裁切成为小图的过程：
[0015]先获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r
‑
l,h＝b
‑
t；取宽和高最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2；
[0016]利用肾小球轮廓和裁切中心以及旋转角度获得旋转后的肾小球的轮廓；从而获得裁切图片的裁切窗口坐标和对应轮廓。
[0017]进一步地，步骤(4)中，在第一个级别中球囊基膜增厚的阈值分别为5,8,10；第二个级别中阈值为15。
[0018]进一步地，步骤(2)中，深度学习分割网络模型采用u2net网络模型。
[0019]进一步地，步骤(2)中，深度学习分割网络模型训练过程中，设置参数:batch size＝4,初始学习率为0.001,dropout比率0.5。
[0020]一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时能够实现以上所述的对基于深度学习的肾小球球囊基膜增厚的检测方法中的步骤。
[0021]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能够实现以上所述的对基于深度学习的肾小球球囊基膜增厚的检测方法中的步骤。
[0022]本专利技术的有益效果是：
[0023]本专利技术方法可以被用于检测肾小球球囊基膜及其增厚，本专利技术方法检测准确度高，效率高；本专利技术方法可以为后续相关疾病的诊断与治疗提供了准确的依据。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
[0024]图1是基于深度学习的肾小球球囊基膜增厚的检测方法流程图。
[0025]图2是计算机设备示意图。
[0026]图3是输入模型的病理图片。
[0027]图4是模型输出的第一通道的掩码图示例。
[0028]图5是模型输出的第二通道的掩码图示例。
[0029]图6是图5中A区域的掩码图片。
具体实施方式
[0030]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。
[0031]实施例1
[0032]一种基于深度学习的肾小球球囊基膜增厚的检测方法，包括以下步骤：
[0033](1)输入一张病理图片，用已知的肾小球轮廓，将大图裁切成为小图；
[0034](2)将裁切后的小图输入到训练好的深度学习分割网络模型中，模型会返回输入图片的分割掩码图；掩码图有两个通道，分别对应球囊基膜增厚的两个级别。第一个级别可以用于判断基底膜增厚程度，第二个级别可以用于判断分层纤维化程度。基底膜(即基膜)增厚到一定程度就会发生分层，达到了分层纤维化这种病变后，再判断分层纤维化的严重
程度。所述分割网络模型可以用于分割基底膜和分层纤维化区域。
[0035](3)计算肾小球轮廓上每个前景像素点到分割区域的前景像素点的欧氏距离，保留欧氏距离小于20像素的肾小球轮廓点,最终只对该范围对应的分割区域进行处理；
[0036](4)然后计算步骤(3)得到的分割区域前景像素点到背景像素点的最大欧氏距离，根据最大欧氏距离判断两个级别中球囊基膜的增厚程度。
[0037]在一些优选的方式中，步骤(1)中，将大图裁切成小图的过程：
[0038]先获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r
‑
l,h＝b
‑
t；取宽和高最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2；利用肾小球轮廓、裁切中心以及旋转角度获得旋转后的肾小球的轮廓；从而获得裁切图片的裁切窗口坐标和裁切后的肾小球的轮廓。
[0039]在一些优选的方式中，步骤(2)中，深度学习分割网络模型的训练主要包括数据预处理和模型搭建两部分。
[0040]数据预处理阶段：主要剔除一些异常的数据集(也即会影响模型训练的数据集)，然后制作分割掩码图片，分割掩码图片的制作过程为：先利用np.zero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肾小球球囊基膜增厚的检测方法，其特征是，包括以下步骤：(1)将病理图片裁切成为小图；(2)将裁切后的小图输入到训练好的深度学习分割网络模型中，模型会返回输入图片的分割掩码图；掩码图有两个通道，分别对应球囊基膜增厚的级别；(3)计算肾小球轮廓上每个前景像素点到分割区域的前景像素点的欧氏距离，保留欧氏距离小于20像素的肾小球轮廓点,最终只对该范围对应的分割区域进行处理；(4)计算步骤(3)得到的分割区域的前景像素点到背景像素点的最大欧氏距离，根据最大欧氏距离判断球囊基膜的增厚程度。2.根据权利要求1所述的一种基于深度学习的肾小球球囊基膜增厚的检测方法，其特征是，步骤(1)中，将病理图片裁切成为小图的过程：先获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r
‑
l,h＝b
‑
t；取宽和高最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2；利用肾小球轮廓和裁切中心以及旋转角度获得旋转后的肾小球的轮廓；从而获得裁切图片的裁切窗...

【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：