本发明专利技术公开了一种慢性肾病电镜图像的足突识别方法、装置及终端设备，获取已标注足突位置特征的慢性肾病电镜病理图像，并通过慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型，从而在获得慢性肾病的待测电镜图像时，能够通过获得的足突识别模型进行待测电镜图像对应足突区域的自动识别，实现了慢性肾病电镜图像足突区域的自动识别。本发明专利技术通过深度学习的方式对足突所对应的区域进行准确且快速的识别，提高了慢性肾病电镜图像的足突识别效率，有利于提高病理医生在对各种类型的肾小球肾炎的病理诊断分析效率，同时可以减少由于经验不足而导致的误诊和漏诊。漏诊。漏诊。
【技术实现步骤摘要】
一种慢性肾病电镜图像的足突识别方法、装置及终端设备
[0001]本专利技术涉及图像识别
，尤其涉及一种慢性肾病电镜图像的足突识别方法、装置及终端设备。
技术介绍
[0002]慢性肾病的发病隐匿，症状不明显，在每100个慢性肾脏病患者中就有一人已经发展为尿毒症，需要终身接受肾脏替代治疗。慢性肾脏病不仅影响病人的生活质量，而且会给家庭增加经济负担。而肾组织病理检查是诊断慢性肾脏病类型的金标准。电镜对于肾活检诊断具有非常重要的价值。电镜便于观察沉积物部位，对超微结构观察优势明显，包括结晶物和足突融合等。足细胞是一种独特的细胞，具有复杂的指状突起(即足突)覆盖在肾小球基底膜的外表面，从而形成肾小球过滤屏障的重要结构。足细胞损伤是许多肾小球疾病的标志，包括微小改变疾病、局灶性节段性肾小球硬化(FSGS)、膜性肾小球病变、糖尿病肾病和狼疮性肾炎等。考虑到足突的定位和融合在肾病诊断中起到重要作用，病理医生在对肾病理组织电镜图像进行诊断时，为确保能够发现已存在的问题，需要对同一病例的不同倍数图像进行查看，再通过感兴趣区域进行确认，结合致密物和基底膜等分析后给出诊断。
[0003]但是在病理医生根据病理形态学对肾脏电镜图像进行人工分析及诊断过程中，存在以下不足：(1)肉眼观察识别目标物的工作量很大，易疲劳，并且人为的主观性比较强，最终容易导致误诊率和漏诊率的上升。(2)慢性肾病的诊断对病理医生的要求十分具有专业性，目前对足突的识别及肾脏电镜图像的诊断均需资深的肾脏疾病病理专科医生，在当前病理医生匮乏的情况下，肾脏足突的阅片，诊断速度及质量过低。
[0004]因此，亟需一种慢性肾病电镜图像的足突识别策略，来解决当前慢性肾病电镜图像的足突识别效率低的问题。
技术实现思路
[0005]本专利技术实施例提供一种慢性肾病电镜图像的足突识别方法、装置及终端设备，以提高慢性肾病电镜图像的足突识别效率。
[0006]为了解决上述问题，本专利技术一实施例提供一种慢性肾病电镜图像的足突识别方法，包括：
[0007]获取若干慢性肾病电镜病理图像；其中，所述慢性肾病电镜病理图像为已标注的足突位置特征的图像；
[0008]利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型；
[0009]在获取慢性肾病的待测电镜图像时，通过所述足突识别模型识别所述待测电镜图像的足突区域。
[0010]作为上述方案的改进，所述利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型，包括：
[0011]所述预设的深度网络架构包括：预设的编码器、预设的解码器和预设的深度网络结构；
[0012]按照预设的样本数从若干所述慢性肾病电镜病理图像中提取若干张样本图像；
[0013]将每张所述样本图像输入至预设的编码器中进行下采样操作，获得每张所述样本图像对应的若干特征图；
[0014]根据若干所述特征图，通过预设的尺度判断操作和预设的解码器，获得每张所述样本图像对应的解码结果；
[0015]将若干所述样本图像对应的解码结果输入至预设的深度网络结构中进行训练，获得第一足突识别模型；其中，所述足突识别模型包括：第一足突识别模型。
[0016]作为上述方案的改进，所述根据所述若干特征图，通过预设的尺度判断操作和预设的解码器，获得每张所述样本图像对应的解码结果，具体为：
[0017]分别对若干所述特征图输入至预设的解码器中进行预解码，获得若干所述特征图的预解码特征尺度；
[0018]分别对若干所述特征图的预解码特征尺度进行预设的尺度判断操作，获得每张所述样本图像的若干第一解码特征、若干第二解码特征和若干第三解码特征；
[0019]通过通道拼接操作，将若干第一解码特征、若干第二解码特征和若干第三解码特征拼接为每张所述样本图像的解码结果。
[0020]作为上述方案的改进，所述预设的尺度判断操作，包括：
[0021]在预解码特征尺度与特征图的尺度相等时，则预解码特征尺度对应的特征图为同层特征，将所述同层特征输入至预设的解码器中进行解码，获得所述同层特征对应的第一解码特征；
[0022]在预解码特征尺度小于特征图的尺度时，则预解码特征尺度对应的特征图为浅层特征，对所述浅层特征进行下采样操作，并将执行下采样操作后的浅层特征输入至预设的解码器中进行解码，获得浅层特征对应的第二解码特征；
[0023]在预解码特征尺度大于特征图的尺度时，则预解码特征尺度对应的特征图为深层特征，对所述深层特征进行上采样操作，并将执行上采样操作后的深层特征输入至预设的解码器中进行解码，获得深层特征对应的第三解码特征。
[0024]作为上述方案的改进，所述利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型，还包括：
[0025]在所述获得每张所述样本图像对应的若干特征图之后，选取预设的深度特征图进行多尺度融合操作，获得每张所述样本图像对应的深度特征图；
[0026]将所述深度特征图输入至预设的注意力机制中，经过预设的图像处理操作，获得每张所述样本图像对应的预测图；
[0027]将若干所述样本图像对应的预测图输入至预设的深度网络结构中进行训练，获得第二足突识别模型；其中，所述足突识别模型包括：第二足突识别模型。
[0028]作为上述方案的改进，在所述获得每张所述样本图像对应的解码结果之后，还包括：通过argmax函数对所述解码结果进行处理。
[0029]作为上述方案的改进，在所述获得足突识别模型后，还包括：
[0030]获取慢性肾病的待测电镜图像的标注图像；
[0031]通过Dice系数，对足突识别模型输出的足突预测图像和标注图像进行精度计算，获得足突识别精度；
[0032]利用所述足突识别精度对所述足突识别模型进行评价。
[0033]相应的，本专利技术一实施例还提供了一种慢性肾病电镜图像的足突识别装置，包括：数据获取模块、模型训练模块和模型应用模块；
[0034]所述数据获取模块，用于获取若干慢性肾病电镜病理图像；其中，所述慢性肾病电镜病理图像为已标注足突位置特征的图像；
[0035]所述模型训练模块，用于利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型；
[0036]所述模型应用模块，用于在获取慢性肾病的待测电镜图像时，通过所述足突识别模型识别所述待测电镜图像的足突区域。
[0037]作为上述方案的改进，所述模型训练模块，包括：分类单元、提取单元、编码单元、解码单元和第一训练单元；
[0038]所述分类单元，用于所述预设的深度网络架构包括：预设的编码器、预设的解码器和预设的深度网络结构；
[0039]所述提取单元，用于按照预设的样本数从若干所述慢性肾病电镜病理图像中提取若干张样本图像；
[0040]所述编码单元，用于将每张所述样本图像输入至预设的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种慢性肾病电镜图像的足突识别方法，其特征在于，包括：获取若干慢性肾病电镜病理图像；其中，所述慢性肾病电镜病理图像为已标注足突位置特征的图像；利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型；在获取慢性肾病的待测电镜图像时，通过所述足突识别模型识别所述待测电镜图像的足突区域。2.根据权利要求1所述的慢性肾病电镜图像的足突识别方法，其特征在于，所述利用若干所述慢性肾病电镜病理图像对预设的深度网络架构进行模型训练，获得足突识别模型，包括：所述预设的深度网络架构包括：预设的编码器、预设的解码器和预设的深度网络结构；按照预设的样本数从若干所述慢性肾病电镜病理图像中提取若干张样本图像；将每张所述样本图像输入至预设的编码器中进行下采样操作，获得每张所述样本图像对应的若干特征图；根据若干所述特征图，通过预设的尺度判断操作和预设的解码器，获得每张所述样本图像对应的解码结果；将若干所述样本图像对应的解码结果输入至预设的深度网络结构中进行训练，获得第一足突识别模型；其中，所述足突识别模型包括：第一足突识别模型。3.根据权利要求2所述的慢性肾病电镜图像的足突识别方法，其特征在于，所述根据所述若干特征图，通过预设的尺度判断操作和预设的解码器，获得每张所述样本图像对应的解码结果，具体为：分别对若干所述特征图输入至预设的解码器中进行预解码，获得若干所述特征图的预解码特征尺度；分别对若干所述特征图的预解码特征尺度进行预设的尺度判断操作，获得每张所述样本图像的若干第一解码特征、若干第二解码特征和若干第三解码特征；通过通道拼接操作，将若干第一解码特征、若干第二解码特征和若干第三解码特征拼接为每张所述样本图像的解码结果。4.根据权利要求3所述的慢性肾病电镜图像的足突识别方法，其特征在于，所述预设的尺度判断操作，包括：在预解码特征尺度与特征图的尺度相等时，则预解码特征尺度对应的特征图为同层特征，将所述同层特征输入至预设的解码器中进行解码，获得所述同层特征对应的第一解码特征；在预解码特征尺度小于特征图的尺度时，则预解码特征尺度对应的特征图为浅层特征，对所述浅层特征进行下采样操作，并将执行下采样操作后的浅层特征输入至预设的解码器中进行解码，获得浅层特征对应的第二解码特征；在预解码特征尺度大于特征图的尺度时，则预解码特征尺度对应的特征图为深层特征，对...
【专利技术属性】
技术研发人员：梁莉，马鹏程，黄向生，邱伟豪，刘安然，李彤，
申请(专利权)人：南方医科大学，
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。