本发明专利技术公开了一种膜性肾病电子致密物图像的分割方法，属于模式识别领域。该方法包括：收集膜性肾病病理图像来构建膜性肾病电镜图像的分割数据集，对分割数据集进行数据增强；建立基于多尺度注意力的卷积神经网络模型；卷积神经网络模型以膜性肾病病理图像为输入进行分割，以膜性肾病病理图像对应的预测图为输出；卷积神经网络模型基于注意力机制对膜性肾病病理图像的分割图进行筛选；使用分割数据集训练卷积神经网络模型的参数；本发明专利技术通过多尺度注意力卷积神经网络能够实现自动、准确地对膜性肾病的电镜图像中的致密物进行分割。膜性肾病的电镜图像中的致密物进行分割。膜性肾病的电镜图像中的致密物进行分割。
【技术实现步骤摘要】
一种膜性肾病电子致密物图像的分割方法及分割装置
[0001]本专利技术涉及模式识别领域，具体涉及一种膜性肾病电子致密物图像的分割方法。
技术介绍
[0002]膜性肾病的诊断依据之一是肾小球基底膜在电子显微镜中出现电子致密物沉积。对基底膜中的电子致密物沉积进行分割可以辅助诊断膜性肾病。由于肾小球超微结构的复杂性，利用灰度信息进行图像识别和预测肾小球的细微病变具有很大的挑战性，并且在如此低对比度的病理图像中，用人眼也很难识别出电子致密沉积物，加上长时间、高强度的工作，病理学家有可能会做出错误的判断。因此，提出一种膜性肾病电子致密物图像的分割方法。
技术实现思路
[0003]针对现有技术的不足，本专利技术提出了一种膜性肾病电子致密物图像的分割方法，通过此方法可以实现对膜性肾病的电镜图像中的致密物进行分割来辅助识别。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]一种膜性肾病电子致密物图像的分割方法，包括以下步骤：
[0006]收集膜性肾病病理图像来构建膜性肾病电镜图像的分割数据集，对分割数据集进行数据增强；
[0007]建立基于多尺度注意力的卷积神经网络模型；卷积神经网络模型以膜性肾病病理图像为输入进行分割，以膜性肾病病理图像对应的预测图为输出；卷积神经网络模型基于注意力机制对膜性肾病病理图像的分割图进行筛选；
[0008]使用分割数据集训练卷积神经网络模型的参数；
[0009]通过Cross Entropy损失函数和Dice Loss损失函数对膜性肾病病理图像的真实分割图和对应的预测图进行计算得到损失值；通过反向传播更新卷积神经网络模型的参数直到损失值稳定；
[0010]将待分割图片输入训练好的卷积神经网络模型，得到分割结果图。
[0011]进一步地，建立基于多尺度注意力的卷积神经网络模型，包括以下步骤：
[0012]编码器将输入的分割数据集中的膜性肾病病理图像经过8次下采样来增加特征的通道数和缩小膜性肾病病理图像的尺寸，从而得到编码器的下采样特征；
[0013]将每一层编码器的下采样特征跨越连接到解码器的上采样特征进行特征融合得到融合特征，并采用池化或双线性插值统一融合特征的大小；
[0014]将融合的特征向量输入到注意力模块，注意力模块通过注意力机制对融合的特征向量进行特征选择和抑制冗余，得到注意力模块的输出特征，并将注意力模块的输出特征输入解码器；
[0015]解码器将注意力模块的输出特征与上一层解码器的输出特征融合后经过上采样进行输出。
[0016]进一步地，在编码器路径中，膜性肾病病理图像经过卷积层和池化层的下采样得到下采样特征；编码器路径设置有8个层级，每个层级包括两层卷积层和一层池化层，每次下采样操作使下采样特征的尺寸减半。
[0017]进一步地，采用池化或双线性插值统一融合特征的大小，包括以下步骤：
[0018][0019][0020]其中为编码器的特征，为解码器的特征，i，j表示范围在[0，7]之间的层级级别，函数A(
·
)表示通道注意模块，DU(
·
)由池化或双线性插值、批归一化和线性整流函数组成，用来匹配不同层级之间特征的大小。
[0021]进一步地，将融合的特征向量输入到注意力模块，注意力模块通过注意力机制对融合的特征向量进行特征选择和抑制冗余，得到注意力模块的输出特征，并将注意力模块的输出特征输入解码器，包括以下步骤：
[0022]注意力模块通过学习来选择性强调信息特征，抑制冗余的特征，计算公式如下：
[0023][0024]其中跳跃连接的特征组合即融合后的特征向量作为通道注意力模块的输入，记为U＝[U1，U2，...，U
c
]∈R
H
×
W
×
C
，向量z描述符嵌入了通道特征响应的全局分布，使来自网络全局感受野的信息能够被利用；
[0025]将z再继续变换为：s＝W1δ(W2z)，
[0026]其中δ表示线性整流算子，W1∈R
C
×
C/2
、W2∈R
C/2
×
C
分别是两个全连通层的权值；通过在非线性周围添加两个全连接层来参数化门控机制，即一个具有参数W1缩减比为2的降维层和另一个带有参数W2的维数增加层；
[0027]使用激活函数作用在变量s得到注意力权值，根据注意力权值对特征U进行重新加权得到注意力模块的输出特征，将注意力模块的输出特征直接馈送到解码器。
[0028]进一步地，通过交叉熵损失函数和Dice Loss损失函数对膜性肾病病理图像的真实分割图和对应的预测图进行计算得到损失值，包括以下步骤：
[0029]采用Dice Loss损失函数计算膜性肾病病理图像的真实分割图和对应的预测图的损失项：
[0030][0031][0032]其中，u是预测图，v是真实分割图，u和v都具有I
×
K的形状，i∈I是像素数，k∈K是类别数；
[0033]通过交叉熵损失函数计算预测图和真实分割图的差异，计算公式如下：
[0034][0035]其中真实的概率分布P(x)，事件发生的概率为q(x)。
[0036]进一步地，对分割数据集进行数据增强包括以下方式：
[0037]对膜性肾病病理图像进行水平翻转，翻转概率为0.5；
[0038]对膜性肾病病理图像进行随机旋转，旋转概率为0.2，旋转角度在
‑
15度～15度；
[0039]对膜性肾病病理图像进行随机裁剪，裁剪概率为0.2，裁剪比例为0.85～1.25。
[0040]进一步地，分割数据集包括膜性肾病病理图像1200张。
[0041]第二方面，本专利技术还提供一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如上述任意一项所述的中膜性肾病电子致密物图像的分割方法。
[0042]第三方面，本专利技术还提供一种膜性肾病电子致密物图像的分割装置，包括：
[0043]至少一个存储器，用于存储程序；
[0044]至少一个处理器，用于加载所述程序以执行如权利要求1
‑
8任一项所述的膜性肾病电子致密物图像的分割方法。
[0045]本专利技术的有益效果：
[0046]本专利技术的一种膜性肾病电子致密物图像的分割方法用深度学习方法进行电子致密物分割，鲁棒性和泛化性更强；针对致密物目标在模型结构上做了针对性改进，对致密物目标的参数分割精确度更高。
附图说明
[0047]下面结合附图对本专利技术作进一步的说明。
[0048]图1为本专利技术实施的基于深度学习的膜性肾病电镜图像致密物分割方法；
[0049]图2为本专利技术基于多尺度注意力的卷积神经网络结构示意图。
具体实施方式
[0050]下面将结合本专利技术实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种膜性肾病电子致密物图像的分割方法，其特征在于，包括以下步骤：收集膜性肾病病理图像来构建膜性肾病电镜图像的分割数据集，对分割数据集进行数据增强；建立基于多尺度注意力的卷积神经网络模型；卷积神经网络模型以膜性肾病病理图像为输入进行分割，以膜性肾病病理图像对应的预测图为输出；卷积神经网络模型基于注意力机制对膜性肾病病理图像的分割图进行筛选；使用分割数据集训练卷积神经网络模型的参数；通过Cross Entropy损失函数和Dice Loss损失函数对膜性肾病病理图像的真实分割图和对应的预测图进行计算得到损失值；通过反向传播更新卷积神经网络模型的参数直到损失值稳定；将待分割图片输入训练好的卷积神经网络模型，得到分割结果图。2.根据权利要求1所述的膜性肾病电子致密物图像的分割方法，其特征在于，建立基于多尺度注意力的卷积神经网络模型，具体包括以下步骤：编码器将输入的分割数据集中的膜性肾病病理图像经过8次下采样来增加特征的通道数和缩小膜性肾病病理图像的尺寸，从而得到编码器的下采样特征；将每一层编码器的下采样特征跨越连接到解码器的上采样特征进行特征融合得到融合特征，并采用池化或双线性插值统一融合特征的大小；将融合的特征向量输入到注意力模块，注意力模块通过注意力机制对融合的特征向量进行特征选择和抑制冗余，得到注意力模块的输出特征，并将注意力模块的输出特征输入解码器；解码器将注意力模块的输出特征与上一层解码器的输出特征融合后经过上采样进行输出。3.根据权利要求2所述的膜性肾病电子致密物图像的分割方法，其特征在于，在编码器路径中，膜性肾病病理图像经过卷积层和池化层的下采样得到下采样特征；编码器路径设置有8个层级，每个层级包括两层卷积层和一层池化层，每次下采样操作使下采样特征的尺寸减半。4.根据权利要求2所述的膜性肾病电子致密物图像的分割方法，其特征在于，采用池化或双线性插值统一融合特征的大小，包括以下步骤：征的大小，包括以下步骤：其中为编码器的特征，为解码器的特征，i，j表示范围在[0，7]之间的层级级别，函数A(
·
)表示通道注意模块，DU(
·
)由池化或双线性插值、批归一化和线性整流函数
组成，用来匹配不同层级之间特征的大小。5.根据权利要求1所述的膜性肾病电子致密物图像的分割方法，其特征在于，将融合的特征向量输入到注意力模块，注意力模块通过注意力机制对融合的特征向量进行特征选择和抑制冗余，得到注意力模块的输出特征，并将注意力模块的输出特征输入解码器，包括以下步骤：注意力模块通过学习来选择性强调信息特征，抑制冗余的特征，计算公式如...
【专利技术属性】
技术研发人员：陈平圣，胡秀秀，杨金月，夏思宇，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。