【技术实现步骤摘要】
本专利技术属于计算机视觉处理，具体为一种肾病理量化指标测量方法及测量指标与临床表型的相关性。
技术介绍
1、iga肾病是目前世界范围内最常见的原发性肾小球疾病，约占全部肾活检病例的30-50％。肾活检病理是诊断iga肾病的金标准，以iga1为主的免疫球蛋白在肾小球系膜区沉积是iga肾病特征性的病理表现，经常伴随有补体c3的沉积。igan肾脏病理损伤部位非常广泛，包括肾小球、肾小管间质以及肾血管等，病变表现非常多样。根据病理及临床特征预测iga肾病患者的肾脏预后及制定治疗决策非常重要。牛津病理分型是目前国际上应用最广泛的iga肾病病理分型，包括系膜细胞增生(m)、毛细血管内细胞增生性病变(e)、节段性肾小球硬化(s)、肾小管萎缩和/或间质纤维化(t)、新月体(c)，依据牛津mest-c评分可以预测iga肾病患者疾病进展的可能性或评估治疗反应性。牛津分型在被广泛使用后发现病理评分的一致性在不同中心之间存在非常大的差异，欧洲多中心valiga研究研究发现基层病理阅片结果和中心病理阅片结果的一致性差异性非常大，尤其是m病变，e病变以及c病变。由此可见尽管有这样的评分系统，病理诊断仍然是半定量的、劳动密集型的和主观性的，有时观察者之间具有很高的可变性。
2、近年来，人工智能辅助病理影像分析，已经在诸如宫颈癌等多个不同方向上匹配专家医生，展现了更好的应用潜力。肾脏病理学分属病理学的一个亚专业，基于光学显微镜、免疫荧光显微镜和电子显微镜诊断评估肾脏疾病的特征。肾脏病理学家检查肾活检标本并与肾病专家密切合作以提供明确的临床病理学诊断
技术实现思路
1、针对上述情况，为弥补上述现有缺陷，本专利技术提供了一种肾病理量化指标测量方法及测量指标与临床表型的相关性，本方法基于深度学习maskr-cnn神经网络模型和resnet50神经网络模型，在对肾小球形态学定量特征指标测量之前，采用人工智能对相关的组织病理结构进行精确和有效的分割分类，通过该方法有效提高了肾病理图像中对肾小球的分析效率，并且分析了肾病理量化测量指标与临床表型的相关性。
2、本专利技术提供如下的技术方案：本专利技术提出的一种肾病理量化指标测量方法，具体包括下述步骤：
3、(1)全视野数字切片(wsis)肾小球标注
4、拍摄并收集在高分辨率显微镜视野下的肾组织的wsi图像，对收集的图像严格准确标注每个肾小球的精确位置和边缘，并在xml(可扩展标记语言)格式的标注文件中，以像素空间作为参考坐标系，即图片左上角第一个像素点坐标为(0,0)，存储每个肾小球掩码的边缘坐标，并标记肾小球的类别为“gs类”或“非gs类”；
5、(2)应用深度学习模型对肾小球进行分割和分类
6、首先，利用经过标注的含肾小球的wsi图像对mask r-cnn神经网络模型和resnet50神经网络模型进行训练优化测试；
7、之后，利用训练优化的maskr-cnn神经网络模型自动识别染色体并得到肾小球的边缘mask，对肾小球分割问题特点，设计maskr-cnn模版框的尺寸和比例，使其更加接近肾小球实际的尺寸比例分布，提高目标肾小球标定的准确率；
8、最后，利用训练优化的resnet50神经网络模型，对分割后的肾小球类别进行判定；
9、(3)使用数学方法对肾小球的形态学指标进行测量
10、根据数学原理，依据得到的肾小球mask以及肾小球分类，对肾小球的形态进行测量，并通过图像处理的方法，对肾小球内的细胞核进行识别和计数。
11、进一步地，步骤(2)中采用mask r-cnn神经网络模型自动识别染色体并得到肾小球的边缘mask，具体采用下述方法实现：首先swin-transformer用于作为backbone来提取图像的特征，然后roi用来提取候选区，最后接上mask分支来预测mask。
12、进一步地，步骤(2)中利用训练优化的resnet50神经网络模型，对分割后的肾小球类别进行判定，具体采用下述方法实现：使用resnet50作为主干网络提取特征，最后加上一层全连接层进行分类。
13、进一步地，步骤(3)中对肾小球内的细胞核进行识别和计数的具体步骤如下：
14、1)对肾组织的wsi图像进行归一化，并将像素值转换为[0,1]的统一范围，以消除不同图像之间的比例差异；
15、2)使用二值处理方法将图像中的细胞核与背景分离，形成二值图像，其中细胞核表示为黑色，背景表示为白色，这一步骤有助于将细胞核与周围背景区分开来，并形成不同的连接域；
16、3)对图像进行锐化处理，以去除细胞图像中的噪声和孔洞，使细胞核图像更清晰，这有利于后续处理步骤的准确性和稳定性；
17、4)在将图像均匀调整到1000x1000分辨率后，使用轮廓检测算法来提取细胞核的轮廓信息，这些轮廓由一系列描述细胞核形状和边界的点或曲线组成，利用这些轮廓信息，计算肾小球的形态测量指标，从而设置适当的阈值和条件来过滤出感兴趣的连接域，即细胞核所在的连接域；
18、5)最后进行定量统计分析。
19、进一步地，所述肾小球的形态测量指标包括肾小球的直径、周长、面积。
20、进一步地，在对肾小球内的细胞核进行识别和计数的过程中，由于细胞之间可能存在粘附，这可能导致在统计过程中，多个粘附细胞被错误地识别为一个细胞核，导致最终计数结果不准确，为了解决这个问题，使用平均面积法来提高计数的准确性。
21、进一步地，使用平均面积法来提高计数的准确性的具体方法为：
22、1)通过设置相对苛刻的阈值和条件来过滤出满足条件的连接域，通过这些连接域计算平均面积、平均周长和其他特征值；
23、2)将这些值过滤为新的阈值，并根据面积与平均面积的比率估计粘附细胞的数量。
24、本专利技术同时还提供了一种肾病理量化测量指标与临床表型的相关性，具体为肾小球平均测量指标与患者bmi、egfr、24小时尿蛋白水平、血压和镜下血尿水平之间的相关性：
25、1)肾小球平均测量指标均与患者的bmi呈显著正相关，提示可能肥胖病人倾向有更大的肾小球；
26、2)肾小球平均面积与患者肾功能egfr呈轻微负相关；
27、3)肾小球平均测量指标与24小时尿蛋白水平呈正相关；
28、4)肾小球平均测量指标均与患者的血压指标呈正相本文档来自技高网...
【技术保护点】
1.肾病理量化指标测量方法，其特征在于，具体包括下述步骤：
2.根据权利要求1所述的肾病理量化指标测量方法，其特征在于，步骤(2)中采用MaskR-CNN神经网络模型自动识别染色体并得到肾小球的边缘mask，具体采用下述方法实现：首先Swin-Transformer用于作为backbone来提取图像的特征，然后ROI用来提取候选区，最后接上mask分支来预测mask。
3.根据权利要求2所述的肾病理量化指标测量方法，其特征在于，步骤(2)中利用训练优化的ResNet50神经网络模型，对分割后的肾小球类别进行判定，具体采用下述方法实现：使用ResNet50作为主干网络提取特征，最后加上一层全连接层进行分类。
4.根据权利要求1所述的肾病理量化指标测量方法，其特征在于，步骤(3)中对肾小球内的细胞核进行识别和计数的具体步骤如下：
5.根据权利要求4所述的肾病理量化指标测量方法，其特征在于，所述肾小球的形态测量指标包括肾小球的直径、周长、面积、形状。
6.根据权利要求5所述的肾病理量化指标测量方法，其特征在于，在对肾小球内的细
7.根据权利要求6所述的肾病理量化指标测量方法，其特征在于，使用平均面积法来提高计数的准确性的具体方法为：
8.肾病理量化测量指标与临床表型的相关性，其特征在于，具体为肾小球平均测量指标与患者BMI、eGFR、24小时尿蛋白水平、血压和镜下血尿水平之间的相关性：
9.根据权利要求8所述的肾病理量化测量指标与临床表型的相关性，其特征在于，IgA肾病牛津病理分型节段性硬化病变(S病变)患者的肾小球平均面积、直径和周径显著大于无节段硬化患者，而与系膜增生病变(M病变)、内皮细胞增生病变(E病变)及新月体病变(C病变)无显著相关。
10.根据权利要求9所述的肾病理量化测量指标与临床表型的相关性，其特征在于，肾小球平均面积和肾小球平均直径及肾小球平均周长具有显著正相关，且肾小球平均面积与肾小球圆度呈显著负相关，提示肾小球面积越大，肾小球越不圆。
...【技术特征摘要】
1.肾病理量化指标测量方法，其特征在于，具体包括下述步骤：
2.根据权利要求1所述的肾病理量化指标测量方法，其特征在于，步骤(2)中采用maskr-cnn神经网络模型自动识别染色体并得到肾小球的边缘mask，具体采用下述方法实现：首先swin-transformer用于作为backbone来提取图像的特征，然后roi用来提取候选区，最后接上mask分支来预测mask。
3.根据权利要求2所述的肾病理量化指标测量方法，其特征在于，步骤(2)中利用训练优化的resnet50神经网络模型，对分割后的肾小球类别进行判定，具体采用下述方法实现：使用resnet50作为主干网络提取特征，最后加上一层全连接层进行分类。
4.根据权利要求1所述的肾病理量化指标测量方法，其特征在于，步骤(3)中对肾小球内的细胞核进行识别和计数的具体步骤如下：
5.根据权利要求4所述的肾病理量化指标测量方法，其特征在于，所述肾小球的形态测量指标包括肾小球的直径、周长、面积、形状。
6.根据权利要求5所述的肾病理量化指标测量方法，其特征在于，在对肾小球内...
【专利技术属性】
技术研发人员：肖立，师素芳，张星阔，蒋镭，董振正，徐琳琳，
申请(专利权)人：北京邮电大学，
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。