一种慢性糖尿病肾病识别方法和装置、存储介质制造方法及图纸

本发明专利技术公开一种慢性糖尿病肾病识别方法和装置、可读介质，包括以下步骤：S1、获取DM患者的历史视网膜影像数据和历史DKD数据；S2、对所述历史视网膜影像数据进行预处理；S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。采用本发明专利技术的技术方案，克服现有DKD识别分级方法存在有创、高成本且繁杂的缺陷。高成本且繁杂的缺陷。高成本且繁杂的缺陷。

【技术实现步骤摘要】
一种慢性糖尿病肾病识别方法和装置、存储介质


[0001]本专利技术属于疾病识别
，尤其涉及一种慢性糖尿病肾病识别方法和装置、存储介质。

技术介绍

[0002]糖尿病(diabetes mellitus，DM)是一种全球性慢性代谢性疾病，多种并发症与其息息相关。糖尿病肾病(diabetic kidney disease,DKD)是糖尿病患者最严重的微血管并发症之一，其降低患者的生存质量，增加全球卫生保健系统的经济负担，增加糖尿病患者的死亡率。DKD发病隐匿，一旦发现往往疾病严重程度高，易恶化为终末期肾衰竭，是糖尿病患者的主要死因之一。因此，DKD的早筛、早诊、早治对于提高糖尿病患者生活质量、减少不良事件发生及减小全球卫生保健系统的经济负担而言，均具有重大意义。目前对DKD的筛查依赖于估算的肾小球滤过率(estimated glomerular filtration rate，eGFR，由血清肌酐计算)的测量和尿白蛋白检测。一些DKD的病理标志物已被明确对DKD患者的预后具有重要识别价值，其中肾活检是一种有意义的检查手段，但就日常筛查而言，肾活检并不适用。
[0003]类似地，糖尿病视网膜病变(diabetic retinopathy，DR)作为DM患者致盲的首要原因，也是DM微血管并发症之一。DR被认为是共存DKD的识别标准之一，因为有研究在肾小球和视网膜血管中发现了相似的组织病理学病变。DR和DKD的发病机制类似，如：炎症、氧化应激、内皮功能障碍和微血管病变。尽管如上所述，DKD早期识别很困难，但通过眼底彩照对DR的早期识别却很简便。目前还没有一种全面、普适、无创、低成本的筛查方法来监测DM微血管并发症。

技术实现思路

[0004]本专利技术要解决的技术问题是，提供一种慢性糖尿病肾病识别方法和装置、存储介质，克服现有DKD识别分级方法存在有创、高成本且繁杂的缺陷。
[0005]为实现上述目的，本专利技术采用如下的技术方案：
[0006]一种慢性糖尿病肾病识别方法，包括以下步骤：
[0007]S1、获取DM患者的历史视网膜影像数据和历史DKD数据；
[0008]S2、对所述历史视网膜影像数据进行预处理；
[0009]S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；
[0010]S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。
[0011]作为优选，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。
[0012]作为优选，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2
‑
微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。
[0013]作为优选，对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224
×
224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记
[0014]本专利技术还提供一种慢性糖尿病肾病识别装置，包括：
[0015]获取装置，用于获取DM患者的历史视网膜影像数据和历史DKD数据；
[0016]预处理装置，用于对所述历史视网膜影像数据进行预处理；
[0017]训练模块，用于将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；
[0018]识别模块，用于将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。
[0019]作为优选，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。
[0020]作为优选，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2
‑
微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。
[0021]作为优选，所述预处理装置对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224
×
224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记
[0022]本专利技术还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现慢性糖尿病肾病识别方法。
[0023]本专利技术采用DR图像数据的深度学习(deeplearning，DL)实现实现DKD的识别和治疗。因此，以协助制定促进DM患者保护肾脏的治疗策略，降低DKD的发生率及其相关的DM死亡率。
附图说明
[0024]图1为本专利技术慢性糖尿病肾病识别方法的流程图；
[0025]图2为本专利技术慢性糖尿病肾病识别装置的结构示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0027]实施例1：
[0028]如图1所示，本专利技术提供一种慢性糖尿病肾病识别方法，包括以下步骤：
[0029]S1、获取DM患者的历史视网膜影像数据和历史DKD数据；
[0030]S2、对所述历史视网膜影像数据进行预处理；
[0031]S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；
[0032]S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。
[0033]作为本实施例的一种实施方式，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2
‑
微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。
[0034]作为本实施例的一种实施方式，所述历史视网膜影像数据为彩色眼底图像。
[0035]对所述历史视网膜影像数据进行预处理包含以下：
[0036]1、降噪处理和切除空白边缘处理
[0037]2、去除眼底彩照255强度值的饱和像素；
[0038]3、根据ResNet18的要求，将眼底彩照的大小调整为224
×
224像素。
[0039]4、根据DM患者UACR和CKD分期对眼底彩照进行标记。
[0040]UACR分期如下：1期(正常或低白蛋白尿，UACR＜30mg/g)；2期(微量白蛋白尿，UACR：30
‑
300mg/g)和3期(大量白蛋白尿，UACR≥300mg/g)。CKD分期如下：第1期(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种慢性糖尿病肾病识别方法，其特征在于，包括以下步骤：S1、获取DM患者的历史视网膜影像数据和历史DKD数据；S2、对所述历史视网膜影像数据进行预处理；S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。2.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。3.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2
‑
微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。4.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224
×
224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记。5.一种慢性糖尿病肾病识别装置，其特征在于，包括：获取装置，用于获取DM患者的历史视网膜影像数据和历史DKD数据；预处理...

【专利技术属性】
技术研发人员：余洪华，杨小红，蔡宏民，刘宝怡，张滨，肖宇，方莹，马建华，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：