基于深度学习的肾脏病理切片细胞识别方法及系统技术方案

本发明专利技术属于肾脏病理切片识别技术领域，具体涉及基于深度学习的肾脏病理切片细胞识别方法及系统。该发明专利技术能够通过逐步增强肾脏组织病理切片图像的像素特征，通过增强后的像素特征，更改增加病灶特征识别的准确性，并且在此过程中，利用超红色算法和超蓝色算法能够准确统计出肾小球数量，判断固有细胞是否增生，基质是否增多，进而确定不同区域肾小球的硬化程度，固有细胞病变程度，肾小管及间质损伤及血管病理改变程度，能够快速识别及一次性检验切片中的多种病灶，提高切片的识别效率，为肾脏病理医生提供客观的参考。病理医生提供客观的参考。病理医生提供客观的参考。

【技术实现步骤摘要】
基于深度学习的肾脏病理切片细胞识别方法及系统


[0001]本专利技术属于肾脏病理切片识别
，具体涉及基于深度学习的肾脏病理切片细胞识别方法及系统。

技术介绍

[0002]近年来人工智能发展十分迅速，为医学进步带来许多机遇。随着肾脏病在世界范围内患病率逐年上升，早发现、早诊断、早治疗对于改善肾脏病的预后十分关键。人工智能在肾脏病的诊断、治疗、预后及预测等方面提供了有效帮助，能减轻肾脏病诊治的工作负担，提高肾脏病管理的效率。
[0003]肾脏病理识别在肾脏病的诊断中尤为重要。目前研究人员尝试在不同肾脏病理模型中对肾脏疾病进行分析，但是对于不局限于疾病类型的肾脏病理切片的初步识别及分类仍缺乏，而针对同一病理切片，传统的识别方式往往只具备单一性，不能够同时精确识别切片中多个病灶特征，基于此，本方案提出了一种能够同时识别多个特征的方法。

技术实现思路

[0004]本专利技术的目的是提供基于深度学习的肾脏病理切片细胞识别方法及系统，能够逐步增强肾脏组织病理切片图像的像素特征，能够快速识别及一次性检验多种病灶特征，提高切片的识别效率。
[0005]本专利技术采取的技术方案具体如下：基于深度学习的肾脏病理切片细胞识别方法，包括：对所述肾脏组织病理切片进行染色处理；获取肾脏组织病理切片的碎片化图像，并将所述碎片化图像拼接量化为可视化的数字图像，得到肾脏组织病理切片图像；将所述肾脏组织病理切片图像进行裁切处理，得到多个尺寸一致的病理切片区块图像；采用分割模型对病理切片区块图像进行分割，得到前景图像和背景图像；将所述前景图像输入校正模型中进行校正处理，增强前景图像的整体亮度，得到待测图像；依据所述待测图像，采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征，并得到所述待测图像的灰度图；对所述待测图像的灰度图进行二值化处理，得到固有细胞占比率；统计固有细胞中的系膜区域以及细胞核数量；获取固有细胞的评估阈值，并与灰度图中的系膜区域以及细胞核数量进行比较，得到肾脏组织的病灶特征。
[0006]在一种优选方案中，所述病理切片区块图像的像素尺寸为256
×
256。
[0007]在一种优选方案中，所述将所述前景图像输入校正模型中进行校正处理，增强前
景图像的整体亮度，得到待测图像的步骤，包括：获取所述病理切片区块图像的灰度图；标定所述病理切片区块图像的灰度图中第个像素点为，其中，，式中，=1，2，3
……
，=1，2，3
……
，其中，和表示病理切片区块图像的灰度图中像素点数；获取像素点的邻域点像素集，并与像素点为构成区块窗口，其中，所述区块窗口内所有像素的均值为：，式中，表示像素邻域的均值，和分别表示和的相邻点；将所述像素点的像素替换为像素邻域的均值；输出替换像素点后的病理切片区块图像的灰度图。
[0008]在一种优选方案中，所述固有细胞包括足细胞、系膜细胞以及内皮细胞，对所述肾脏组织病理切片进行染色处理时采用糖原染色法，染色后的足细胞、系膜细胞以及内皮细胞的细胞核呈蓝色，细胞质呈红色。
[0009]在一种优选方案中，所述采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征，并得到所述待测图像的灰度图的步骤，包括：获取所述前景图像的像素组成X=[R，G，B]；通过对前景图像的像素特征进行加权组合，使所述细胞核的特征加强，其中，计算公式为：ExB=R+G+2B；通过对前景图像的像素特征进行加权组合，使所述细胞质的特征加强，其中，计算公式为：ExR=2R+G+B；其中，ExR和ExB分别为超红色算法和超蓝色算法计算得到的灰度值，R，G，B表示待测图像的三通道灰度值；输出像素特征加强后的待测图像的灰度图。
[0010]在一种优选方案中，所述对所述待测图像的灰度图进行二值化处理的步骤，包括：根据所述待测图像的灰度图建立初始化阈值；获取所述待测图像的灰度图中的每个像素数据，并分别标定为前景像素数据和背景像素数据；分别获取前景像素数据和背景像素数据的平均值；根据前景像素数据和背景像素数据计算出新的阈值，并标定为流转阈值；判断所述流转阈值与初始化阈值是否相等；若是，则将流转阈值判定为标准阈值；若否，则将流转阈值判定为新的初始化阈值，并且基于前景像素数据以及背景像素数据重新计算流转阈值。
[0011]在一种优选方案中，所述得到固有细胞占比率的步骤，包括：从所述前景像素数据中获取所有大于流转阈值的像素点；获取所有像素点的前景图像的面积；
根据标准函数：，分别求得足细胞、系膜细胞以及内皮细胞的占比率，式中，表示足细胞、系膜细胞以及内皮细胞的编号，分别设置为1，2，3，则表示足细胞、系膜细胞或内皮细胞的占比率，表示前景像素数据中所有大于流转阈值的像素点的总面积，表示前景图像的面积。
[0012]在一种优选方案中，所述获取固有细胞的评估阈值，并与灰度图中的系膜区域以及细胞核数量进行比较，得到肾脏组织的病灶特征的步骤，包括：计算所述系膜基质区域中系膜增多区域占比；获取固定细胞的评估阈值为50%；若所述系膜基质区域中系膜增多区域占比小于或等于50%，则判定肾小球阶段硬化；若所述系膜基质区域中系膜增多区域占比大于50%，则判定为肾小球球形硬化；识别所述内皮细胞的细胞核数量；确定所述内皮细胞的评估阈值为1；若一个毛细血管襻内，所述内皮细胞的细胞核数量大于1，则判定所述内皮细胞增生；若一个毛细血管襻内，所述内皮细胞的细胞核数量小于或者等于1，则判定所述内皮细胞未增生。
[0013]本专利技术还提供了，基于深度学习的肾脏病理切片细胞识别系统，应用于上述的基于深度学习的肾脏病理切片细胞识别方法，包括：染色模块，所述染色模块用于对所述肾脏组织病理切片进行染色处理；获取模块，所述获取模块用于获取肾脏组织病理切片的碎片化图像，并将所述碎片化图像拼接量化为可视化的数字图像，得到肾脏组织病理切片图像；裁切模块，所述裁切模块用于将所述肾脏组织病理切片进行裁切处理，得到多个尺寸一致的病理切片区块图像；分割模块，所述分割模块用于采用分割模型对病理切片区块图像进行分割，得到前景图像和背景图像；校正模块，所述校正模块用于将所述前景图像输入校正模型中进行校正处理，增强前景图像的整体亮度，得到待测图像；图像增强模块，所述图像增强模块用于依据所述待测图像，采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征，并得到所述待测图像的灰度图；计算模块，所述计算模块用于对所述待测图像的灰度图进行二值化处理，得到固有细胞占比率；统计模块，所述统计模块用于统计固有细胞中的系膜区域以及细胞核数量；评估模块，所述评估模块用于获取固有细胞的评估阈值，并与灰度图中系膜区域以及细胞核数量进行比较，得到肾脏组织的病灶特征。
[0014]以及，基于深度学习的肾脏病理切片细胞识别设备，包括存储器和处理器，所述存
储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于深度学习的肾脏病理切片细胞识别方法。
[0015]本专利技术取得的技术效果为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的肾脏病理切片细胞识别方法，其特征在于：包括：对所述肾脏组织病理切片进行染色处理；获取肾脏组织病理切片的碎片化图像，并将所述碎片化图像拼接量化为可视化的数字图像，得到肾脏组织病理切片图像；将所述肾脏组织病理切片图像进行裁切处理，得到多个尺寸一致的病理切片区块图像；采用分割模型对病理切片区块图像进行分割，得到前景图像和背景图像；将所述前景图像输入校正模型中进行校正处理，增强前景图像的整体亮度，得到待测图像；依据所述待测图像，采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征，并得到所述待测图像的灰度图；对所述待测图像的灰度图进行二值化处理，得到固有细胞占比率；统计固有细胞中的系膜区域以及细胞核数量；获取固有细胞的评估阈值，并与灰度图中的系膜区域以及细胞核数量进行比较，得到肾脏组织的病灶特征。2.根据权利要求1所述的基于深度学习的肾脏病理切片细胞识别方法，其特征在于：所述病理切片区块图像的像素尺寸为256
×
256。3.根据权利要求1所述的基于深度学习的肾脏病理切片细胞识别方法，其特征在于：所述将所述前景图像输入校正模型中进行校正处理，增强前景图像的整体亮度，得到待测图像的步骤，包括：获取所述病理切片区块图像的灰度图；标定所述病理切片区块图像的灰度图中第个像素点为，其中，，式中，=1，2，3
……
，=1，2，3
……
，其中，和表示病理切片区块图像的灰度图中像素点数；获取像素点的邻域点像素集，并与像素点为构成区块窗口，其中，所述区块窗口内所有像素的均值为：，式中，表示像素邻域的均值，和分别表示和的相邻点；将所述像素点的像素替换为像素邻域的均值；输出替换像素点后的病理切片区块图像的灰度图。4.根据权利要求1所述的基于深度学习的肾脏病理切片细胞识别方法，其特征在于：所述固有细胞包括足细胞、系膜细胞以及内皮细胞，对所述肾脏组织病理切片进行染色处理时采用糖原染色法，染色后的足细胞、系膜细胞以及内皮细胞的细胞核呈蓝色，细胞质呈红色。5.根据权利要求4所述的基于深度学习的肾脏病理切片细胞识别方法，其特征在于：所述采用超红色算法或者超蓝色算法突出病理切片图像组织中固有细胞的颜色特征，并得到所述待测图像的灰度图的步骤，包括：
获取所述前景图像的像素组成X=[R，G，B]；通过对前景图像的像素特征进行加权组合，使所述细胞核的特征加强，其中，计算公式为：ExB=R+G+2B；通过对前景图像的像素特征进行加权组合，使所述细胞质的特征加强，其中，计算公式为：ExR=2R+G+B；其中，ExR和ExB分别为超红色算法和超蓝色算法计算得到的灰度值，R，G，B表示待测图像的三通道灰度值；输出像素特征加强后的待测图像的灰度图。6.根据权利要求1所述的基于深度学习的肾脏病理切片细胞识别方法，其特征在于：所述对所述待测图像的灰度图进行二值化处理的步骤，包括：根据所述待测图像的灰度图建立初始化阈值；获取所述待测图像的灰度图中的每个像素数据，并分别标定为前景像素数据和背景像素数据；分别获取前景像素数据和背景像素数据的...

【专利技术属性】
技术研发人员：赵宇，张晓良，陈奎，倪海锋，谢筱彤，
申请(专利权)人：东南大学附属中大医院，
类型：发明
国别省市：