基于深度学习的肾脏图片处理方法、系统、设备及介质技术方案

本申请公开了一种基于深度学习的肾脏图片处理方法、系统、设备及介质，该方法包括：对待处理的肾脏图进行预处理，得到处理后的肾脏图；采用深度学习分割模型对处理后的肾脏图进行处理，得到具有肾小球轮廓的肾脏图；其中，具有肾小球轮廓的肾脏图包括多个肾小球；从具有肾小球轮廓的肾脏图中定位每个肾小球内的毛细血管球，得到具有毛细血管球轮廓的肾脏图；再从具有毛细血管球轮廓的肾脏图中分别定位毛细血管球内部的血细胞、细胞核和细胞基质。采用本申请的方法对待处理的肾脏图的处理效率高，可以精确的定位肾脏内的肾小球轮廓，并从肾小球中精确定位肾小球内的毛细血管球、血细胞、细胞核和细胞基质，实现肾小球内多种指标信息的获取。标信息的获取。标信息的获取。

【技术实现步骤摘要】
基于深度学习的肾脏图片处理方法、系统、设备及介质


[0001]本公开一般涉及医疗图片处理
，尤其涉及一种基于深度学习的肾脏图片处理方法、系统、设备及介质。

技术介绍

[0002]正常肾小球内含有不同形态和功能的细胞，包括毛细血管内皮细胞、足细胞、系膜细胞、球囊上皮细胞、血细胞等。考虑到肾脏的高血流量和尿液浓缩的特殊功能，肾脏对药物和环境化学物质的毒性作用非常敏感。药物毒性(一些异种蛋白、ADC类药物和单克隆抗体等生物制剂)、炎症和免疫机制等，均可引起肾小球内的细胞增生，从而形成特征性的形态学改变，并影响肾小球功能。因此在病理学领域，肾小球肾炎的诊断工作，主要由病理分析专家承担，诊断结果的准确性和效率主要取决于病理专家的知识储备和对肾脏病理图片的阅片经验。因此，现有的肾脏病理图片的处理效率较低，且无法精准的定位肾脏图片内肾小球肾炎的细节信息，指标单一。

技术实现思路

[0003]鉴于现有技术中的上述缺陷或不足，期望提供一种基于深度学习的肾脏图片处理方法、系统、设备及介质。
[0004]第一方面，提供一种基于深度学习的肾脏图片处理方法，包括：
[0005]对待处理的肾脏图进行预处理，得到处理后的肾脏图；
[0006]采用深度学习分割模型对所述处理后的肾脏图进行处理，得到具有肾小球轮廓的肾脏图；其中，所述具有肾小球轮廓的肾脏图包括多个肾小球；
[0007]从所述具有肾小球轮廓的肾脏图中定位每个肾小球内的毛细血管球，得到具有毛细血管球轮廓的肾脏图；
[0008]再从所述具有毛细血管球轮廓的肾脏图中分别定位毛细血管球内部的血细胞、细胞核和细胞基质。
[0009]第二方面，提供一种基于深度学习的肾脏图片处理系统，包括：
[0010]处理模块，用于对待处理的肾脏图进行预处理，得到处理后的肾脏图；
[0011]深度学习模块，用于采用深度学习分割模型对所述处理后的肾脏图进行处理，得到具有肾小球轮廓的肾脏图；其中，所述具有肾小球轮廓的肾脏图包括多个肾小球；
[0012]毛细血管定位模块，用于从所述具有肾小球轮廓的肾脏图中定位每个肾小球内的毛细血管球，得到具有毛细血管球轮廓的肾脏图；
[0013]血细胞定位模块，用于从所述具有毛细血管球轮廓的肾脏图中定位毛细血管球内部的血细胞；
[0014]细胞核定位模块，用于从所述具有毛细血管球轮廓的肾脏图中定位毛细血管球内部的细胞核；
[0015]细胞基质定位模块，用于从所述具有毛细血管球轮廓的肾脏图中定位毛细血管球
内部的细胞基质。
[0016]第三方面，提供一种电子设备，包括：
[0017]一个或多个处理器；
[0018]存储器，用于存储一个或多个程序，
[0019]当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行如本申请各实施例提供的基于深度学习的肾脏图片处理方法。
[0020]第四方面，提供一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如本申请各实施例提供的基于深度学习的肾脏图片处理方法。
[0021]根据本申请实施例提供的技术方案，先基于深度学习分割模型对处理后的肾脏图内的肾小球进行分割，其中，对深度学习分割模型进行训练使其具备识别指定目标的能力，如可以识别肾脏、血细胞、细胞核等；再从肾小球中分割毛细血管球；最后从毛细血管球中分割各类血细胞、细胞核和细胞基质。因此，采用本申请的基于深度学习的肾脏图片处理方法对待处理的肾脏图的处理效率高，可以精确的定位肾脏内的肾小球轮廓，并从肾小球中精确定位肾小球内的毛细血管球、血细胞、细胞核和细胞基质，实现肾小球内多种指标信息的获取。
附图说明
[0022]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0023]图1为本申请实施例提供的基于深度学习的肾脏图片处理方法的一种示例性流程框图；
[0024]图2为本申请实施例提供的基于深度学习的肾脏图片处理方法的另一种示例性流程框图；
[0025]图3为本申请实施例提供的肾脏HE切片图的预处理流程图；
[0026]图4为本申请实施例提供的肾脏HE切片图处理前后的对比图；其中，图(a)为未处理的肾脏HE切片图；图(b)为去除肾脏外轮廓的肾脏切片图；
[0027]图5为本申请实施例提供的U2‑
Net深度学习分割模型；
[0028]图6为本申请实施例提供的肾脏分块图片的数据集合图；
[0029]图7为本申请实施例提供的从去除肾脏外轮廓的肾脏切片图中定位肾小球轮廓的前后对比图；其中，图(a)为去除肾脏外轮廓的肾脏切片图；图(b)为具有肾小球轮廓的肾脏图；
[0030]图8为本申请实施例提供的肾小球切片图的示例性结构图；
[0031]图9为本申请实施例提供的从肾小球切片图中定位毛细血管球轮廓的示例性流程图；
[0032]图10为本申请实施例提供的从肾小球切片图中定位毛细血管球轮廓的前后对比图；其中，图(a)为未处理的肾小球切片图；图(b)为具有毛细血管球轮廓的肾小球图；
[0033]图11为本申请实施例提供的从肾小球切片图中定位血细胞轮廓的示例性流程图；
[0034]图12为本申请实施例提供的具有血细胞轮廓的肾小球切片图；
[0035]图13为本申请实施例提供的从肾小球切片图中定位细胞核轮廓的示例性流程图；
[0036]图14为本申请实施例提供的具有细胞核轮廓的肾小球图；
[0037]图15为本申请实施例提供的从肾小球切片图中定位细胞基质轮廓的示例性流程图；
[0038]图16为本申请实施例提供的肾脏肾小球标准对照空间的建立流程图；
[0039]图17为本申请实施例提供的待处理肾脏切片图的诊断流程图；
[0040]图18为本申请实施例提供的肾脏肾小球的多维空间可视化展示图；其中，图(a)肾脏肾小球标准对照空间，图(b)为待处理肾脏切片图内所有肾小球的空间分布点集；图(c)为肾脏肾小球标准对照空间内正常肾小球的空间分布点集；图(d)为待处理肾脏切片图内异常肾小球的空间分布点集；
[0041]图19为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0042]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。
[0043]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0044]请参考图1
‑
2，示出了根据本申请实施例提供的基于深度学习的肾脏图片处理方法的示例性流程框图。
[0045]如图1
‑
2所示，在本实施例中，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图片处理方法，其特征在于，包括：对待处理的肾脏图进行预处理，得到处理后的肾脏图；采用深度学习分割模型对所述处理后的肾脏图进行处理，得到具有肾小球轮廓的肾脏图；其中，所述具有肾小球轮廓的肾脏图包括多个肾小球；从所述具有肾小球轮廓的肾脏图中定位每个肾小球内的毛细血管球，得到具有毛细血管球轮廓的肾脏图；再从所述具有毛细血管球轮廓的肾脏图中分别定位毛细血管球内部的血细胞、细胞核和细胞基质。2.根据权利要求1所述的基于深度学习的肾脏图片处理方法，其特征在于，对待处理的肾脏图进行预处理，得到处理后的肾脏图，包括：对肾脏切片进行苏木精—伊红染色，扫描，得到肾脏HE切片图，所述肾脏HE切片图为待处理的肾脏图；先将所述肾脏HE切片图转化为RGBA格式的肾脏图，再将RGBA格式的肾脏图进行R、G、B、A四个通道分离，接着合并B、G、R三通道图片并转化为YUV格式图片，最后将YUV以及A四个通道进行阈值过滤，得到肾脏轮廓图；将所述肾脏轮廓图中肾脏的坐标映射到所述肾脏HE切片图对应的层级，得到处理后的肾脏图。3.根据权利要求2所述的基于深度学习的肾脏图片处理方法，其特征在于，采用单线性插值法或者双线性插值法将所述肾脏轮廓图中肾脏的坐标映射到所述肾脏HE切片图对应的层级，得到处理后的肾脏图。4.根据权利要求1
‑
3任一项所述的基于深度学习的肾脏图片处理方法，其特征在于，采用深度学习分割模型对所述处理后的肾脏图进行处理，得到具有肾小球轮廓的肾脏图，包括：将所述处理后的肾脏图进行切割，得到多张肾脏分块图片，记录每张肾脏分块图片的坐标；其中，切割的步长为所述肾脏分块图片尺寸的预设倍数；将多张所述肾脏分块图片输入到所述深度学习分割模型进行预测，对应得到多张二值图；其中，多张二值图的坐标与对应肾脏分块图片的坐标一致；对多张所述二值图内的肾小球进行粘连分割，并将多张所述二值图按照记录的坐标拼接成与所述处理后的肾脏图尺寸一致的图片，得到具有肾小球轮廓的肾脏图。5.根据权利要求4所述的基于深度学习的肾脏图片处理方法，其特征在于，采用分水岭算法或者凹点检测算法对多张所述二值图内的肾小球进行粘连分割。6.根据权利要求2所述的基于深度学习的肾脏图片处理方法，其特征在于，从所述具有肾小球轮廓的肾脏图中定位每个肾小球内的毛细血管球，得到具有毛细血管球轮廓的肾脏图，包括：将所述具有肾小球轮廓的肾脏图中获取每个肾小球切片图，将每个所述肾小球切片图转化为RGB格式的肾小球图片，并对所述RGB格式的肾小球图片进行至少两个通道的颜色阈值过滤，得到初始掩模二值图；确定所述肾小球内的外连通区域，将所述初始掩模二值图去除外连通区域，得到毛细血管球掩模二值图；其中，所述肾小球内的外连通区域指与鲍曼囊囊腔相连的肾小球内部
白腔；依次重复执行肾小球的颜色阈值过滤和外连通区域判定，再将所述毛细血管球掩模二值图与所述肾小球切片图进行位异或操作，得到具有毛细血管球轮廓的肾小球图；将所述具有毛细血管球轮廓的肾小球图中毛细血管球的坐标映射到所述肾脏HE切片图对应的层级，得到具有毛细血管球轮廓的肾脏图。7.根据权利要求6所述的基于深度学习的肾脏图片处理方法，其特征在于，从所述具有毛细血管球轮廓的肾脏图中定位毛细血管球内部血细胞的方法，包括：对所述具有肾小球轮廓的肾脏图进行模糊度判定，去除不符合条件的肾小球，得到包含合格肾小球的肾脏图；从所述包含合格肾小球的肾脏图中获取每个肾小球切片图，调整所述肾小球切片图的尺寸；对所述肾小球切片图进行毛细血管球定位，得到具有毛细血管球轮廓的肾小球图；将所述具有毛细血管球轮廓的肾小球图输入到深度学习分割模型中进行处理，得到具有血细胞轮廓的肾小球图；将所述具有血细胞轮廓的肾小球图中血细胞的坐标映射到所述肾脏HE切片图对应的层级，得到具有肾小球内血细胞轮廓的肾脏图。8.根据权利要求7所述的基于深度学习的肾脏图片处理方法，其特征在于，从所述具有毛细血管球轮廓的...

【专利技术属性】
技术研发人员：周冯源，王焕鹏，郑刚，邵伟，乔畅，史相杰，
申请(专利权)人：生仝智能科技北京有限公司，
类型：发明
国别省市：