【技术实现步骤摘要】
本专利技术涉及医学图像处理的，特别涉及一种基于改进se-resnet的儿童肾小球病理图像分类方法。
技术介绍
1、小球疾病的有效的管理和预后依赖于准确的病理诊断，而肾活检是检查肾小球病变的一个关键步骤，特别是对病理的准确分类、病因的调查和提供适当的治疗方案。
2、在光镜下，肾活检标本可以揭示肾小球病理变化的重要信息。这些变化，如系膜增生、新月形形成、节段性肾小球硬化和其他形式的肾小球病理，可以是单一的，也可以是单次活检的多重变化。根据患者的临床表现，如血压升高、血尿、尿蛋白水平异常等进行确诊。根据这些发现，医生可以正确地对肾脏疾病进行分期并制定有效的治疗计划。在诊断肾脏疾病时，医生必须仔细检查所有肾小球，对病变肾小球进行分类和计数，并确定疾病的病理分级，这是一项费时费力的工作。
技术实现思路
1、针对现有技术中存在的不足之处，本专利技术的目的是提供一种基于改进se-resnet的儿童肾小球病理图像分类方法，在分类准确率上的具有优越性，通过嵌合神经网络在肾脏病理图像的二值分类任务中表现出比其他模型更好的性能，在评估图像数据集上显示出很强的泛化能力。为了实现根据本专利技术的上述目的和其他优点，提供了一种基于改进se-resnet的儿童肾小球病理图像分类方法，包括：
2、s1、获取儿童的肾小球医学图像数据集进行预处理；
3、s2、根据肾小球的分布和视觉特征，对肾小球病变进行分类，将肾小球病变的分类任务分为多个二值分类任务；
4、s3、对获取
5、s4、将se模块嵌入改进的resnet残差块中，形成改进的se-resnet模块，并将se-resnet模块堆叠起来，提出了rs-inet算法，使用该算法将得到预处理后的训练集图像喂入网络进行训练，通过验证集调整网络结构和超参数；
6、s5、通过训练好的模型去预测测试集数据，检验该方法的泛化能力。
7、优选的，步骤s1具体包括以下步骤：
8、s11、将原始输入图像大小转换为224×224作为网络输入，经过7×7卷积和最大池化操作后，特征图像大小为56×56，维数为64；
9、s12、从经pas染色的wsi图片中人工提取包含肾小球的病理图像,使用openslide工具将其转换为jpg格式，将其保存为单独的图像。
10、优选的，步骤s3中通过旋转、噪声添加和混合的数据增强以及颜色归一化方法对图像进行处理，且通过改变肾小球的位置、增加噪声数据、提取同一分类的肾小球进行混合操作来扩展数据集。
11、优选的，步骤s3中将图像的rgb颜色转换为染色强度，在染色通道上添加稀疏性约束，实现染色通道的分离；
12、将源图像的颜色外观归一化为目标图像的颜色外观，同时保持其染色强度,并使用t-sne方法将数据可视化,验证染色归一化方法是否能保留病理图像的组织结构；
13、染色强度的公式如下:
14、
15、h为r×n染色浓度矩阵(n＝像素数),v为相对光密度。
16、优选的，步骤s4具体包括以下步骤：
17、s41、将原有的resnet残差块改为具有1×3、3×1、1×3、3×1残差结构的小模块,计算卷积层的参数；
18、s42、将se模块嵌入改进的resnet残差块中，形成改进的se-resnet模块，并将se-resnet模块堆叠形成se-resnet50分类网络，形成了一个将resnet与senet集成的嵌合神经网络；
19、s43、进行验证多标签分类模型，嵌合神经网络的性能与其他分类模型的性能进行了比较，根据测试集中不同分类模型的准确率，对模型的分类效果进行评估，并根据实验结果生成混淆矩阵，利用评价指标对模型进行评估，并在获得各种肾小球病变的评价结果后绘制受试者工作特征(roc)曲线，以显示肾小球分类网络模型的性能；
20、s44、通过训练集得到所有的超参数，包括批大小，学习率，冻结imagenet数据集预训练权值的冻结百分比，如100％，75％，25％，0％，在验证数据集中确定最佳参数组合。
21、优选的，步骤s5中具体包括以下步骤：
22、s51、将训练好的模型参数进行保存，在预测时读取模型参数；
23、s52、对测试集肾小球图像进行预测，在各种评价指标下对模型进行性能评估，检验该方法的泛化能力。
24、本专利技术与现有技术相比，其有益效果是：本专利技术将se模块嵌入改进的resnet残差块中，形成改进的se-resnet模块，并将se-resnet模块堆叠形成se-resnet50分类网络，形成了一个将resnet与senet集成的嵌合神经网络，嵌合神经网络在肾脏病理图像的二值分类任务中表现出比其他模型更好的性能。嵌合神经网络在评估图像数据集上显示出很强的泛化能力。本申请提出的基于改进se-resnet卷积神经网络的儿童肾小球病理图像分类方法在肾小球图像分类准确率有显著优越性。本申请提出的基于改进se-resnet卷积神经网络的儿童肾小球病理图像分类方法在肾小球图像分类准确率有显著优越性。
本文档来自技高网...【技术保护点】
1.一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，步骤S1具体包括以下步骤：
3.如权利要求2所述的一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，步骤S3中通过旋转、噪声添加和混合的数据增强以及颜色归一化方法对图像进行处理，且通过改变肾小球的位置、增加噪声数据、提取同一分类的肾小球进行混合操作来扩展数据集。
4.如权利要求3所述的一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，步骤S3中将图像的RGB颜色转换为染色强度，在染色通道上添加稀疏性约束，实现染色通道的分离；
5.如权利要求4所述的一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，步骤S4具体包括以下步骤：
6.如权利要求1所述的一种基于改进SE-ResNet的儿童肾小球病理图像分类方法，其特征在于，步骤S5中具体包括以下步骤：
【技术特征摘要】
1.一种基于改进se-resnet的儿童肾小球病理图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于改进se-resnet的儿童肾小球病理图像分类方法，其特征在于，步骤s1具体包括以下步骤：
3.如权利要求2所述的一种基于改进se-resnet的儿童肾小球病理图像分类方法，其特征在于，步骤s3中通过旋转、噪声添加和混合的数据增强以及颜色归一化方法对图像进行处理，且通过改变肾小球的位置、增加噪声数据、提取同一分类的肾小球进行混合操作来...
【专利技术属性】
技术研发人员：孔祥勇，赵鑫申，李榕，赵波，高全伟，
申请(专利权)人：上海理工大学，
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。