CN112861958A - 对肾脏病免疫荧光图片进行识别分类的方法及装置 - Google Patents

对肾脏病免疫荧光图片进行识别分类的方法及装置 Download PDF

Info

Publication number
CN112861958A
CN112861958A CN202110145120.0A CN202110145120A CN112861958A CN 112861958 A CN112861958 A CN 112861958A CN 202110145120 A CN202110145120 A CN 202110145120A CN 112861958 A CN112861958 A CN 112861958A
Authority
CN
China
Prior art keywords
kidney disease
immunofluorescence
picture
pictures
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110145120.0A
Other languages
English (en)
Inventor
陈香美
徐迈
潘赛
付义冰
陈仆
刘娇娜
蔡广研
段姝伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202110145120.0A priority Critical patent/CN112861958A/zh
Publication of CN112861958A publication Critical patent/CN112861958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Endocrinology (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明实施例提供了一种对肾脏病免疫荧光图片进行识别分类的方法及装置，包括：获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；本发明实施例可快速、大批量的对肾脏病免疫荧光图片进行识别分类，从而减少病理医生工作量，识别分类准确率高，满足辅助病理医生诊断参考需求。

Description

对肾脏病免疫荧光图片进行识别分类的方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种对肾脏病免疫荧光图片进行识别分类的方法及装置。
背景技术
免疫荧光是病理医生诊断肾脏疾病的最重要的检查之一，然而数据显示中国目前仍然存在4-9万的病理医生缺口，2017年，美国每10万人口仅有3.94名病理医生，加拿大为4.81名，很多地区的医院缺乏经验丰富的肾脏病理医生做出免疫荧光诊断；并且病理医生无法快速准确地识别和诊断大批量的免疫荧光图片。人工智能辅助识别诊断肾脏病免疫荧光图片时也存在准确率低的问题，其主要原因在于图片获取阶段，由于荧光显微镜对焦不准确导致获取的免疫荧光图片模糊，这导致许多情况下免疫荧光图片识别和分析困难，从而导致人工智能网络对免疫荧光图片进行识别和分类时准确率和可重复性下降。并且在分类识别时，由于肾脏疾病类别较多，只区分一种疾病的人工智能网络，不能达到辅助病理医生诊断荧光图片的目的。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种对肾脏病免疫荧光图片进行识别分类的方法及装置。
第一方面，本发明实施例提供一种对肾脏病免疫荧光图片进行识别分类的方法，包括：
获取肾脏病免疫荧光图片；
将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
进一步地，所述方法还包括：
基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
进一步地，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
进一步地，还包括：
基于DeblurrNet算法构建所述去模糊神经网络模型；所述 DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。
进一步地，还包括：
采用Grad-CAM对分类神经网络模型进行识别特征可视化。
第二方面，本发明实施例提供了一种对肾脏病免疫荧光图片进行识别分类的装置，包括：
获取模块，用于获取肾脏病免疫荧光图片；
去模糊模块，用于将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
分类模块，用于将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
进一步地，所述装置还包括：
筛选模块，用于基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
进一步地，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述分类模块，具体用于：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的对肾脏病免疫荧光图片进行识别分类的方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的对肾脏病免疫荧光图片进行识别分类的方法的步骤。
由上述技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法及装置，通过获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；本发明实施例可快速、大批量的对肾脏病免疫荧光图片进行识别分类，从而减少病理医生工作量，识别分类准确率高满足辅助病理医生诊断参考需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的对肾脏病免疫荧光图片进行识别分类的方法的流程示意图；
图2为本发明一实施例提供的对肾脏病免疫荧光图片进行识别分类的装置的结构示意图；
图3为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面将通过具体的实施例对本发明提供的对肾脏病免疫荧光图片进行识别分类的方法进行详细解释和说明。
图1为本发明一实施例提供的对肾脏病免疫荧光图片进行识别分类的方法的流程示意图；如图1所示，该方法包括：
步骤101：获取肾脏病免疫荧光图片。
步骤102：将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的。
步骤103：基将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
在本实施例中，获取肾脏病免疫荧光图片，相应地在训练各神经网络之前需要收集肾脏病免疫荧光图片，如收集IgA肾病、膜性肾病、狼疮性肾炎、糖尿病肾病患者的荧光图片。
在本实施例中，针对去模糊神经网络模型，需要说明的是，使用基于深度学习建立的模型DeblurrNet进行图像去模糊工作；DeblurrNet 模型包含五部分：浅层特征提取、残余密集块(RDB)、全局特征融合、全局残余学习和上采样重建规模。整个模型工作过程，首先利用两层卷积层对输入图像进行浅层特征提取，然后被提取的浅层特征经过四个RDB块，其中每个RDB块包括密集连接，局部特征融合，局部残差连接。然后将每个RDB块提取的局部特征进行局部特征融合 (1*1卷积)。全局残差学习结合了浅层特征和全局融合特征；最后经过上采样(convtranspose)恢复图像。在对模型的训练过程中，共采用 301对图片，每对染色包括模糊图片和准确聚焦的清晰图片 (groundtruth)，其中242对用作训练，59对用作测试。采用最小均方误差MSE为loss函数和Adam为优化器。学习率为0.00002， batch_size为1，训练过程共训练了200个epoch。
在本实施例中，针对分类神经网络模型，需要说明的是，以AlexNet 为基础，更改通道数进行多通道输入，AlexNet主要包括卷积层提取特征和线性层进行分类，在本实施例中因为每个样本包含七种染色，每个染色为RGB图像；在对模型的训练过程中，本实施例共拍摄了1609 组样本，每个样本至多包含七张染色，缺失的阴性染色图片在读入数据时本实施例生成全黑图像进行补充。其中1289组数据用作训练，320 组用作测试。本实施例还采用交叉熵函数为loss函数和Adam优化器，学习率为0.0002，训练过程共训练了150个epoch。
由上述技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法，通过获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；本发明实施例可快速、大批量的对肾脏病免疫荧光图片进行识别分类，从而减少病理医生工作量，识别分类准确率高满足辅助病理医生诊断参考需求。
上述实施例基础上，在本实施例中，所述方法还包括：
基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
在本实施例中，举例来说，建立图片清晰度辨识器，所述图片清晰度辨识器选用基于图像Laplacian梯度函数的方法，Laplacian算子反映了图像边缘信息，本实施例对获得的Laplacian梯度值求方差，在正常图片中边界比较清晰因此方差会比较大；而在模糊图片中包含的边界信息很少，所以方差会较小。
如，模糊图像Laplacian值方差主要分布在10-60区间内，因此设定60为阈值，当输入图像的Laplacian梯度值方差小于60时(即预设区间)，得到Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片后将图片输入去模糊网络。
由上面技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法，对肾脏病免疫荧光图片的清晰度进行辨别筛选，通过上述处理在去模糊网络中可明显改善模糊图片质量，有益于提升识别准确率，进一步避免不同用户获取的图片清晰度不同的免疫荧光图片的识别准确率可能存在明显差异。
上述实施例基础上，在本实施例中，所述肾脏疾病类别包括：IgA 肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
在本实施例中，举例来说，构建分类神经网络模型，以AlexNet 为基础，更改通道数进行多通道输入，AlexNet主要包括卷积层提取特征和线性层进行分类，在本实施例中因为每个样本包含七种染色，每个染色为RGB图像；在对模型的训练过程中，本实施例共拍摄了1609 组样本，每个样本至多包含七张染色，缺失的阴性染色图片在读入数据时本实施例生成全黑图像进行补充。其中1289组数据用作训练，320 组用作测试。本实施例还采用交叉熵函数为loss函数和Adam优化器，学习率为0.0002，训练过程共训练了150个epoch。
本实施例中，需要说明的是，本发明实施例能够对IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类等肾脏病免疫荧光图片进行识别分类从而满足多种需求。
在本实施例中，需要说明的是，采用本方法对IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类的准确率在94.69％，识别分类准确率高更好的满足辅助病理医生诊断参考需求。
由上面技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法，分类神经网络模型可快速、大批量进行识别分类，同时有助于建立肾脏疾病与免疫荧光图片的对应关系。
上述实施例基础上，在本实施例中，还包括：
基于DeblurrNet算法构建所述去模糊神经网络模型；所述 DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。
在本实施例中，举例来说，构建去模糊网络模型，使用基于深度学习建立的模型DeblurrNet进行图像去模糊工作；其中，DeblurrNet 模型包含五部分：浅层特征提取、残余密集块(RDB)、全局特征融合、全局残余学习和上采样重建规模。
具体地，去模糊网络模型工作过程如下：首先利用两层卷积层对输入图像进行浅层特征提取，然后被提取的浅层特征经过四个RDB块，其中每个RDB块包括密集连接，局部特征融合，局部残差连接。然后将每个RDB块提取的局部特征进行局部特征融合(1*1卷积)。全局残差学习结合了浅层特征和全局融合特征；最后经过上采样 (convtranspose)恢复图像。
在本实施例中，需要说明的是，在对模型的训练过程中，本实施例共拍摄了301对图片，每对染色包括模糊图片和准确聚焦的清晰图片(groundtruth)，其中242对用作训练，59对用作测试。本实施采用最小均方误差MSE为loss函数和Adam为优化器。学习率为0.00002， batch_size为1，训练过程共训练了200个epoch；在测试集上采用PSNR 和SSIM参数，即衡量图像质量增强前后PSNR和SSIM参数的变化情况。
由上面技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法，基于DeblurrNet算法构建所述去模糊神经网络模型，从而对肾脏病免疫荧光图片进行去模糊处理，纠正了荧光显微镜聚焦不准导致的图片模糊，为后续的分类工作提供良好的图片数据支撑，增加了分类网络适用的范围，从而增加模型对不同来源肾脏病免疫荧光图片的识别准确性。
上述实施例基础上，在本实施例中，还包括：
采用Grad-CAM对分类神经网络模型进行识别特征可视化。
在本实施例中，需要说明的是，基于分类神经网络构建识别特征可视化网络，可以理解的是，为了直观的观测深度学习网络在对肾脏病免疫荧光图片进行分类时中主要关注和依靠的区域，使用Grad-CAM 方法，基于训练的AlexNet进行实验。其中，Grad-CAM主要通过计算目标分类对卷积层通道每个像素的平均偏导，乘以各个通道并相加经过ReLU层整流得到热力图；通过提取机器在识别的时候关注的热点区域来观察机器和人在识别的时候侧重的区域有何异同。
由上面技术方案可知，本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的方法，采用Grad-CAM对分类神经网络模型进行识别特征可视化，可以显示分类网络在进行分类时重点关注的区域，供临床病理医生参考。
图2为本发明一实施例提供的对肾脏病免疫荧光图片进行识别分类的装置的结构示意图，如图2所示，该装置包括：获取模块201、去模糊模块202和分类模块206，其中：
其中，获取模块201，用于获取肾脏病免疫荧光图片；
去模糊模块202，用于将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
分类模块203，用于将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
上述实施例基础上，在本实施例中，所述装置还包括：
筛选模块，用于基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
上述实施例基础上，在本实施例中，所述肾脏疾病类别包括：IgA 肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述分类模块，具体用于：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
本发明实施例提供的对肾脏病免疫荧光图片进行识别分类的装置具体可以用于执行上述实施例的对肾脏病免疫荧光图片进行识别分类的方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
基于相同的发明构思，本发明实施例提供一种电子设备，参见图3，电子设备具体包括如下内容：处理器301、通信接口303、存储器302 和通信总线304；
其中，处理器301、通信接口303、存储器302通过通信总线304 完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302 中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，包括：
获取肾脏病免疫荧光图片；
将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
2.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述方法还包括：
基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
3.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
4.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：
基于DeblurrNet算法构建所述去模糊神经网络模型；所述DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。
5.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：
采用Grad-CAM对分类神经网络模型进行识别特征可视化。
6.一种对肾脏病免疫荧光图片进行识别分类的装置，其特征在于，包括：
获取模块，用于获取肾脏病免疫荧光图片；
去模糊模块，用于将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
分类模块，用于将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。
7.根据权利要求6所述的对肾脏病免疫荧光图片进行识别分类的装置，其特征在于，所述装置还包括：
筛选模块，用于基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。
8.根据权利要求6所述的对肾脏病免疫荧光图片进行识别分类的模块，其特征在于，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述分类模块，具体用于：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～5任一项所述的对肾脏病免疫荧光图片进行识别分类的方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～5任一项所述的对肾脏病免疫荧光图片进行识别分类的方法。
CN202110145120.0A 2021-02-02 2021-02-02 对肾脏病免疫荧光图片进行识别分类的方法及装置 Pending CN112861958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110145120.0A CN112861958A (zh) 2021-02-02 2021-02-02 对肾脏病免疫荧光图片进行识别分类的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110145120.0A CN112861958A (zh) 2021-02-02 2021-02-02 对肾脏病免疫荧光图片进行识别分类的方法及装置

Publications (1)

Publication Number Publication Date
CN112861958A true CN112861958A (zh) 2021-05-28

Family

ID=75986353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110145120.0A Pending CN112861958A (zh) 2021-02-02 2021-02-02 对肾脏病免疫荧光图片进行识别分类的方法及装置

Country Status (1)

Country Link
CN (1) CN112861958A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114686427A (zh) * 2022-05-23 2022-07-01 中国人民解放军总医院第一医学中心 一种脾脏调节型b淋巴细胞及其制备方法与应用
CN115308129A (zh) * 2022-07-01 2022-11-08 江苏诺鬲生物科技有限公司 一种自动确定荧光暗场相机聚焦位置的方法和装置
CN116503858A (zh) * 2023-05-06 2023-07-28 华东师范大学 一种基于生成模型的免疫荧光图像分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875486A (zh) * 2017-09-28 2018-11-23 北京旷视科技有限公司 目标对象识别方法、装置、系统和计算机可读介质
CN109165544A (zh) * 2018-07-05 2019-01-08 丁彦青 肾小球肾炎病理智能分类器的训练方法、诊断仪及存储介质
US20190371425A1 (en) * 2018-05-29 2019-12-05 Chang Gung Memorial Hospital, Linkou Classification system and classification method of autoantibody immunofluorescence image
CN111488912A (zh) * 2020-03-16 2020-08-04 哈尔滨工业大学 一种基于深度学习神经网络的喉部疾病诊断系统
CN112001858A (zh) * 2020-08-10 2020-11-27 深思考人工智能科技(上海)有限公司 一种细胞病理图像处理的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875486A (zh) * 2017-09-28 2018-11-23 北京旷视科技有限公司 目标对象识别方法、装置、系统和计算机可读介质
US20190371425A1 (en) * 2018-05-29 2019-12-05 Chang Gung Memorial Hospital, Linkou Classification system and classification method of autoantibody immunofluorescence image
CN109165544A (zh) * 2018-07-05 2019-01-08 丁彦青 肾小球肾炎病理智能分类器的训练方法、诊断仪及存储介质
CN111488912A (zh) * 2020-03-16 2020-08-04 哈尔滨工业大学 一种基于深度学习神经网络的喉部疾病诊断系统
CN112001858A (zh) * 2020-08-10 2020-11-27 深思考人工智能科技(上海)有限公司 一种细胞病理图像处理的方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114686427A (zh) * 2022-05-23 2022-07-01 中国人民解放军总医院第一医学中心 一种脾脏调节型b淋巴细胞及其制备方法与应用
CN114686427B (zh) * 2022-05-23 2022-07-29 中国人民解放军总医院第一医学中心 一种脾脏调节型b淋巴细胞及其制备方法与应用
CN115308129A (zh) * 2022-07-01 2022-11-08 江苏诺鬲生物科技有限公司 一种自动确定荧光暗场相机聚焦位置的方法和装置
CN116503858A (zh) * 2023-05-06 2023-07-28 华东师范大学 一种基于生成模型的免疫荧光图像分类方法及系统
CN116503858B (zh) * 2023-05-06 2024-01-23 华东师范大学 一种基于生成模型的免疫荧光图像分类方法及系统

Similar Documents

Publication Publication Date Title
JP7422825B2 (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
CN110232719B (zh) 一种医学图像的分类方法、模型训练方法和服务器
CN109886273B (zh) 一种cmr图像分割分类系统
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN111310841B (zh) 医学图像分类方法、装置、设备、计算机设备和存储介质
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN112861958A (zh) 对肾脏病免疫荧光图片进行识别分类的方法及装置
CN111488921A (zh) 一种全景数字病理图像智能分析系统及方法
US11538261B2 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN111640098A (zh) 一种病理图像的分析方法及系统
Kanwal et al. Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images
Shuvo et al. Multi-focus image fusion for confocal microscopy using u-net regression map
CN111462005A (zh) 处理显微图像的方法、装置、计算机设备及存储介质
Wieslander et al. TEM image restoration from fast image streams
CN115393641A (zh) 免疫荧光图像分类方法及装置、设备、存储介质
Ouyang et al. Automatic No-Reference kidney tissue whole slide image quality assessment based on composite fusion models
Guatemala-Sanchez et al. Nuclei segmentation on histopathology images of breast carcinoma
CN114170415A (zh) 基于组织病理图像深度域适应的tmb分类方法及系统
CN117765532B (zh) 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置
CN116758068B (zh) 一种基于人工智能的骨髓图片细胞形态分析方法
Khalid et al. Efficient fundus image gradeability approach based on deep reconstruction-classification network
Dong et al. No-Reference Defocused Image Quality Assessment Based on Human Visual System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination