CN113990521A - 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 - Google Patents
一种IgA肾病病理分析、预后预测及病理指标挖掘系统 Download PDFInfo
- Publication number
- CN113990521A CN113990521A CN202111231382.5A CN202111231382A CN113990521A CN 113990521 A CN113990521 A CN 113990521A CN 202111231382 A CN202111231382 A CN 202111231382A CN 113990521 A CN113990521 A CN 113990521A
- Authority
- CN
- China
- Prior art keywords
- module
- model
- iga nephropathy
- pathological
- training
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种IgA肾病病理分析、预后预测及病理指标挖掘系统,包括:扫描标注模块,用于对病理切片图像进行扫描和标注;图像预处理模块,用于对经过扫描和标注后的病理切片进行预处理,并将经过预处理的图像分为训练集和验证集;模型训练模块,用于将训练集中的图像输入初始模型,对初始模型进行训练获得最优模型;验证模块,用于将验证集中的图像输入最优模型,并对其进行验证;分析模块,用于对最优模型的输出结果进行分析,获得每个病例病变特征和程度的指标量化值。其在输入图像后可迅速得出多项病理指标的分析结果,分析效率远高于人工评估,且评估结果不受主观因素影响,结果稳定性也远高于人工评估结果。
Description
技术领域
本发明涉及一种基于人工智能的IgA肾病病理分析、预后预测及病理指标挖掘系统,属于疾病分析系统技术领域,特别涉及IgA肾病分析领域。
背景技术
IgA肾病(IgA nephropathy)是全世界、尤其亚洲地区最常见的肾小球疾病,约占我国全部肾活检病例的30%,原发性肾小球疾病的45-50%。IgA肾病具有进展性,约15-40%的成人患者在10年后会进展到终末期肾病(end stage renal disease,ESRD),需要替代治疗维持生命,给个人和社会带来极大的负担。IgA肾病的确诊、治疗方案选择与预后评估都极大地依赖于肾活检病理学检查。特别是光镜下的病理检查,能提供丰富的病变信息,但同时也存在着显著的异质性:即包括体现病情活动的肾小球系膜细胞增生、肾小球毛细血管内皮细胞增生和细胞性/细胞纤维性新月体形成等;也包括体现病情慢性化的肾小球硬化、肾小管萎缩和肾间质纤维化等。每一种病理改变的程度也有很大的个体差异。因此,光镜下的病理学评估是IgA肾病病理学检查的核心内容以及难点所在。几十年来,不同的研究组先后制定了一系列病理评估系统。目前最广为应用的是IgA肾病牛津病理分型(简称“牛津分型”)。不论哪种评估系统,肾脏病理医生在评估过程中,依然面临一些问题。首先,一致性(重复性)不佳问题。人的主观性是人工病理评估中难以避免的问题,也成为开展IgA肾病诊治国际合作研究的一个瓶颈。用多中心的更大样本的病例验证牛津分型时发现,在未经过培训的病理医师之间分型的一致性更差。其次,病理信息的损失问题。病变的严重程度和分布范围本是一个谱系,可以看作连续性变量。但受到人工评估效率的制约,也为提高一致性的目的,分型的病理指标分值都尽量简化,尤其牛津分型,多数仅判断为0或1分,这必然损失了大量的病理信息,与精准的个体化医疗仍然有所差距。再次,既往评分系统对指标的筛选或是凭病理医生主观经验,或是依据传统预后模型进行单因素或多因素预后分析结果,而后者受到统计学方法的限制,只能纳入有限的指标,且要求各指标之间无相关性,这都与肾脏病理的实际情况相矛盾。
发明内容
针对上述问题,本发明的目的是提供了一种基于人工智能的IgA肾病病理分析、预后预测及病理指标挖掘系统,其在输入图像后可迅速得出多项病理指标的分析结果,分析效率远高于人工评估,且评估结果不受主观因素影响,结果稳定性也远高于人工评估结果。
为实现上述目的,本发明提出了以下技术方案:一种IgA肾病病理分析系统,包括:扫描标注模块、图像预处理模块、模型训练模块、验证模块和分析模块;扫描标注模块,用于对病理切片图像进行扫描和标注;图像预处理模块,用于对经过扫描和标注后的病理切片进行预处理,并将经过预处理的图像分为训练集和验证集;模型训练模块,用于将训练集中的图像输入初始模型,对初始模型进行训练获得最优模型;验证模块,用于将验证集中的图像输入最优模型,并对其进行验证;分析模块,用于对最优模型的输出结果进行分析,获得每个病例病变特征和程度的指标量化值。
进一步,扫描标注模块包括若干分类标签,分类标签包括:肾小球固有区域的分类标签、肾小球病变区域的分类标签、肾小管区域的分类标签、肾间质区域的分类标签、肾小管和肾间质总体标签、小动脉区域的分类标签和标本整体区域的分类标签中的至少一种。
进一步,肾小球固有区域的分类标签包括正常肾小球边界、肾小球毛细血管袢、系膜区、内皮细胞核、系膜细胞核和足细胞核中至少一种;肾小球病变区域的分类标签包括球性硬化、缺血性硬化、节段性硬化、各类新月体、袢坏死和球囊粘连中至少一种;肾小管区域的分类标签包括:正常肾小管、萎缩肾小管和急性损伤的肾小管中至少一种;肾间质区域的分类标签包括:淋巴单核细胞浸润区域和纤维化区域中至少一种;肾小管和肾间质总体标签包括:正常肾小管间质区域、淋巴单核细胞浸润为主的区域、肾小管萎缩和肾间质纤维化为主的区域中至少一种;小动脉区域的分类标签包括小动脉管壁外轮廓和小动脉管腔内轮廓中至少一种;标本整体区域的分类标签包括肾皮质区域、肾髓质区域和肾被膜区域中至少一种。
进一步,预处理包括:将输入的图像进行图片随机旋转90°、水平翻折、垂直翻折、转置和随机裁剪至少一种变换,将变换后的图像加入数据集;对于分辨率过高无法输入初始模型的图像进行图像切割。
进一步,初始模型为卷积神经网络,使用ResNet101-FPN作为骨干神经网络,采用监督学习方法将训练集图片输入模型进行训练。
进一步,验证模块将验证集中的图像输入最优模型进行验证,使用非极大值抑制算法,计算各个输出结果的交并比,若交并比大于预设阈值,则对输出结果进行抑制,只保留置信度最大的输出结果。
进一步,指标量化值包括球性硬化积分、系膜细胞增生积分、细胞性/细胞纤维性新月体积分和肾小管萎缩积分。
另一方面,本发明还公开了一种IgA肾病预后预测系统,包括:数据采集模块、数据标注模块、模型训练模块、验证模块和输出模块;数据采集模块,用于采集IgA肾病分析数据,IgA肾病分析数据至少包括采用上述任一项的IgA肾病病理分析系统获得的指标量化值;数据标注模块,用于将数据采集模块获得的IgA肾病分析数据标注上治疗反应标签或预后标签,并将经过标注的数据分为训练集和验证集;模型训练模块,用于将训练集中的数据输入初始模型,对初始模型进行训练获得最优模型;验证模块,用于将验证集中的图数据输入最优模型,并对其进行验证;输出模块,用于将待测数据输入最优模型中,获得IgA肾病预后预测结果。
进一步,IgA肾病分析数据还包括:IgA肾病患者的人口学资料、临床检验指标、IgA肾病相关基因检测结果,IgA肾病患者的治疗方案和其在经过治疗后一段时间内的临床检验指标。
第三方面,本发明还公开了一种IgA肾病的病理指标挖掘系统,包括:数据采集模块、模型训练模块、验证模块和输出模块;数据采集模块,用于提取经过上述任一项的IgA肾病病理分析系统分析获得的肾脏各区域图像,并将肾脏各区域图像分为训练集和验证集;模型训练模块,用于通过弱监督学习方法建立初始模型,将训练集中的数据输入初始模型,对初始模型进行训练获得最优模型;验证模块,用于将验证集中的图数据输入最优模型,并对其进行验证;可视化模块,用于将待测数据输入最优模型中,对最优模型的输出结果进行可视化显示,并对其进行分析以得出治疗或预后阶段对应的病理特征。
进一步,模型训练模块采用弱监督学习方法将肾脏各区域图像以及对应的治疗方案指标输入初始模型,调整初始模型参数使模型回归或分类结果达到最优;分别建立卷积神经网络和逻辑回归模型,采用ResNet-101作为卷积神经网络的骨干网络,用于提取图像特征,使用逻辑回归模型提取各项治疗方案指标的特征,再将卷积神经网络和逻辑回归模型特征拼接,从而得到最后的分类结果。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明在输入图像后可迅速得出多项病理指标的分析结果,分析效率远高于人工评估,且评估结果不受主观因素影响,结果稳定性也远高于人工评估结果。
2、本发明克服了传统模型中对指标的各种限制,结果更加客观;有助于发现新的疗效相关或预后相关的病理学特征。
附图说明
图1是本发明一实施例中IgA肾病病理分析系统的示意图;
图2是本发明一实施例中IgA肾病预后预测系统的示意图;
图3是本发明一实施例中IgA肾病的病理指标挖掘系统。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
本发明以各个步骤的执行主体为电子设备为例进行说明,该电子设备具有计算能力,比如:计算机、平板电脑、手机、服务器等,本实施例不对电子设备的类型作限定。
人工智能(Artificial intelligence,AI)病理学评估相比于人工评估能够达到更好的一致性,并且,AI在快速地得出结果的同时,也能够确保结果的精确性。同时,基于AI的神经网络系统可以不受指标数量、指标之间相关性的影响而进行预后相关分析。本发明将AI技术用于IgA肾病病理分析、预后预测及病理指标挖掘,可迅速得出多项病理指标的分析结果,分析效率远高于人工评估,且评估结果不受主观因素影响,结果稳定性也远高于人工评估结果。下面结合附图,通过三个实施例对本发明方案进行进一步说明。
实施例一
本实施例公开了一种IgA肾病病理分析系统,如图1所示,包括:扫描标注模块、图像预处理模块、模型训练模块、验证模块和分析模块;
扫描标注模块,用于对病理切片图像进行扫描和标注。
首先,对病理切片图像进行扫描,将病理切片图像扫描成Whole slide image(WSI),随后采用标注软件对上述WSI中的不同区域或病变进行标注。
本模块包括若干分类标签,分类标签包括但不限于:
肾小球固有区域的分类标签,包括正常肾小球边界、肾小球毛细血管袢、系膜区、内皮细胞核、系膜细胞核和足细胞核等标签中的一种或几种。
肾小球病变区域的分类标签,包括球性硬化、缺血性硬化、节段性硬化、各类新月体、袢坏死和球囊粘连等标签中的一种或几种。
肾小管区域的分类标签,包括正常肾小管、萎缩肾小管和急性损伤的肾小管等标签中的一种或几种。
肾间质区域的分类标签,包括淋巴单核细胞浸润区域和/或纤维化区域。
肾小管和肾间质总体标签,包括正常肾小管间质区域、淋巴单核细胞浸润为主的区域、肾小管萎缩和肾间质纤维化为主的区域等标签中的一种或几种。
小动脉区域的分类标签,包括小动脉管壁外轮廓和/或小动脉管腔内轮廓。
标本整体区域的分类标签,包括肾皮质区域、肾髓质区域和肾被膜区域等标签中的一种或几种。
图像预处理模块,用于对经过扫描和标注后的病理切片进行预处理,并将经过预处理的图像分为训练集和验证集。
预处理包括:图像分为训练集和验证集,将训练集图像进行数据增广,如将图片随机旋转90°、水平翻折、垂直翻折、转置、随机裁剪,将变换后的图像加入数据集,以达到数据增强的效果,使得图像分布更具有多样性;对于分辨率过高无法输入初始模型的图像进行图像切割,为了使得标注信息不被切割结果所影响,本实施例中采用带有重叠区域的切割方式进行图像切割。
模型训练模块,用于将训练集中的图像输入初始模型,对初始模型进行训练获得最优模型。本实施例中初始模型为卷积神经网络,用Pytorch深度学习框架构建卷积神经网络Cascade Mask-RCNN,使用ResNet101-FPN作为骨干神经网络,采用监督学习方法将训练集图片输入模型进行训练,调整参数使模型检测、分割和分类结果达到最佳,生成最优模型。
验证模块,用于将验证集中的图像输入最优模型,并对其进行验证。
验证模块将验证集中的图像输入最优模型进行验证,使用非极大值抑制算法,计算各个输出结果的交并比,若交并比大于预设阈值,则对输出结果进行抑制,只保留置信度最大的输出结果,这样能够有效减少重复检测的结果。根据验证模型的输出结果结束或继续对模型进行训练,以获得最优模型。同时还可以通过增加新的外部数据集对最优模型进行测试,以检验模型的泛化能力。
分析模块,用于对最优模型的输出结果进行分析,获得每个病例病变特征和程度的指标量化值。对输出结果进行量化、计算和归纳整理,进一步输出能反应每个病例病变特征和程度的指标量化值,其包括但不限于球性硬化积分、系膜细胞增生积分、细胞性/细胞纤维性新月体积分和肾小管萎缩积分。
实施例二
基于相同的发明构思,本实施例公开了一种IgA肾病预后预测系统,如图2所示,包括:数据采集模块、数据标注模块、模型训练模块、验证模块和输出模块。
数据采集模块,用于采集IgA肾病分析数据,IgA肾病分析数据至少包括采用上述任一项的IgA肾病病理分析系统获得的指标量化值;IgA肾病分析数据还包括:IgA肾病患者的人口学资料、临床检验指标、IgA肾病相关基因检测结果,IgA肾病患者的治疗方案和其在经过治疗后一段时间内的临床检验指标。此处的IgA肾病分析数据只是举例说明,即至少包括以上一种或几种,但并不是穷举,还可以包括其他数据。人口学资料指患者性别、年龄等信息。临床检验指标包括但不限于肾功能水平、蛋白尿水平、血压、血清白蛋白、糖基化缺陷的IgA水平等。本实施例中治疗后一段时间可以以1年、3年、5年或10年为周期进行,经过一段时间后检验的临床检验指标和初始的临床检验指标相同。
数据标注模块,用于将数据采集模块获得的IgA肾病分析数据标注上治疗反应标签或预后标签,并将经过标注的数据分为训练集和验证集。其中,治疗反应标签包括但不限于尿蛋白变化率、肾功能变化率等。预后标签包括肾功能下降50%和终末期肾衰竭(ESRD)两项指标。
模型训练模块,用于将训练集中的数据输入初始模型,对初始模型进行训练获得最优模型。
用Pytorch深度学习框架建立逻辑回归模型,采用监督学习方法将经过标注的IgA肾病分析数据输入模型进行训练,调整参数使模型回归或分类结果达到最佳,生成最优模型。
验证模块,用于将验证集中的图数据输入最优模型,并对其进行验证。
验证模块将验证集中的图像输入最优模型进行验证,使用非极大值抑制算法,计算各个输出结果的交并比,若交并比大于预设阈值,则对输出结果进行抑制,只保留置信度最大的输出结果,这样能够有效减少重复检测的结果。根据验证模型的输出结果结束或继续对模型进行训练,以获得最优模型。同时还可以通过增加新的外部数据集对最优模型进行测试,以检验模型的泛化能力。
输出模块,用于将待测数据输入最优模型中,获得IgA肾病预后预测结果。
实施例三
基于相同的发明构思,本实施例公开了一种IgA肾病的病理指标挖掘系统,如图3所示,包括:数据采集模块、模型训练模块、验证模块和输出模块。
数据采集模块,用于提取经过上述任一项的IgA肾病病理分析系统分析获得的肾脏各区域图像,如自动提取各个肾小球区域、肾小管间质区域和小动脉区域图像,并将肾脏各区域图像分为训练集和验证集;
模型训练模块,用于通过弱监督学习方法建立初始模型,将训练集中的数据输入初始模型,对初始模型进行训练获得最优模型;
采用弱监督学习方法将训练集患者的肾小球区域、肾小管间质区域和小动脉区域图像以及对应的治疗方案指标输入初始模型,调整初始模型参数使模型回归或分类结果达到最优。用Pytorch深度学习框架分别建立卷积神经网络和逻辑回归模型,采用ResNet-101作为卷积神经网络的骨干网络,用于提取图像特征,使用逻辑回归模型提取各项治疗方案指标的特征,再将二者特征拼接,使用多层感知机网络得到最后的分类结果。
验证模块,用于将验证集中的图数据输入最优模型,并对其进行验证。
验证模块将验证集中的图像输入最优模型进行验证,使用非极大值抑制算法,计算各个输出结果的交并比,若交并比大于预设阈值,则对输出结果进行抑制,只保留置信度最大的输出结果,这样能够有效减少重复检测的结果。根据验证模型的输出结果结束或继续对模型进行训练,以获得最优模型。同时还可以通过增加新的外部数据集对最优模型进行测试,以检验模型的泛化能力。
可视化模块,用于将待测数据输入最优模型中,对最优模型的输出结果进行可视化显示,并对其进行分析以得出治疗或预后阶段对应的病理特征。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种IgA肾病病理分析系统,其特征在于,包括:扫描标注模块、图像预处理模块、模型训练模块、验证模块和分析模块;
扫描标注模块,用于对病理切片图像进行扫描和标注;
图像预处理模块,用于对经过扫描和标注后的病理切片进行预处理,并将经过预处理的图像分为训练集和验证集;
模型训练模块,用于将训练集中的图像输入初始模型,对所述初始模型进行训练获得最优模型;
验证模块,用于将验证集中的图像输入所述最优模型,并对其进行验证;
分析模块,用于对所述最优模型的输出结果进行分析,获得每个病例病变特征和程度的指标量化值。
2.如权利要求1所述的IgA肾病病理分析系统,其特征在于,所述扫描标注模块包括若干分类标签,所述分类标签包括:肾小球固有区域的分类标签、肾小球病变区域的分类标签、肾小管区域的分类标签、肾间质区域的分类标签、肾小管和肾间质总体标签、小动脉区域的分类标签和标本整体区域的分类标签中的至少一种。
3.如权利要求2所述的IgA肾病病理分析系统,其特征在于,所述肾小球固有区域的分类标签包括正常肾小球边界、肾小球毛细血管袢、系膜区、内皮细胞核、系膜细胞核和足细胞核中至少一种;肾小球病变区域的分类标签包括球性硬化、缺血性硬化、节段性硬化、各类新月体、袢坏死和球囊粘连中至少一种;肾小管区域的分类标签包括:正常肾小管、萎缩肾小管和急性损伤的肾小管中至少一种;肾间质区域的分类标签包括:淋巴单核细胞浸润区域和纤维化区域中至少一种;肾小管和肾间质总体标签包括:正常肾小管间质区域、淋巴单核细胞浸润为主的区域、肾小管萎缩和肾间质纤维化为主的区域中至少一种;小动脉区域的分类标签包括小动脉管壁外轮廓和小动脉管腔内轮廓中至少一种;标本整体区域的分类标签包括肾皮质区域、肾髓质区域和肾被膜区域中至少一种。
4.如权利要求1所述的IgA肾病病理分析系统,其特征在于,所述初始模型为卷积神经网络,使用ResNet101-FPN作为骨干神经网络,采用监督学习方法将训练集图片输入模型进行训练。
5.如权利要求1所述的IgA肾病病理分析系统,其特征在于,所述验证模块将验证集中的图像输入最优模型进行验证,使用非极大值抑制算法,计算各个输出结果的交并比,若所述交并比大于预设阈值,则对所述输出结果进行抑制,只保留置信度最大的输出结果。
6.如权利要求1所述的IgA肾病病理分析系统,其特征在于,所述指标量化值包括球性硬化积分、系膜细胞增生积分、细胞性、细胞纤维性新月体积分和肾小管萎缩积分。
7.一种IgA肾病预后预测系统,其特征在于,包括:数据采集模块、数据标注模块、模型训练模块、验证模块和输出模块;
数据采集模块,用于采集IgA肾病分析数据,所述IgA肾病分析数据至少包括采用如权利要求1-6任一项所述的IgA肾病病理分析系统获得的指标量化值;
数据标注模块,用于将数据采集模块获得的IgA肾病分析数据标注上治疗反应标签或预后标签,并将经过标注的数据分为训练集和验证集;
模型训练模块,用于将训练集中的数据输入初始模型,对所述初始模型进行训练获得最优模型;
验证模块,用于将验证集中的图数据输入所述最优模型,并对其进行验证;
输出模块,用于将待测数据输入所述最优模型中,获得IgA肾病预后预测结果。
8.如权利要求7所述的IgA肾病预后预测系统,其特征在于,所述IgA肾病分析数据还包括:IgA肾病患者的人口学资料、临床检验指标、IgA肾病相关基因检测结果,IgA肾病患者的治疗方案和其在经过治疗后一段时间内的临床检验指标。
9.一种IgA肾病的病理指标挖掘系统,其特征在于,包括:数据采集模块、模型训练模块、验证模块和输出模块;
数据采集模块,用于提取经过权利要求1-6任一项所述的IgA肾病病理分析系统分析获得的肾脏各区域图像,并将所述肾脏各区域图像分为训练集和验证集;
模型训练模块,用于通过弱监督学习方法建立初始模型,将训练集中的数据输入初始模型,对所述初始模型进行训练获得最优模型;
验证模块,用于将验证集中的图数据输入所述最优模型,并对其进行验证;
可视化模块,用于将待测数据输入所述最优模型中,对所述最优模型的输出结果进行可视化显示,并对其进行分析以得出治疗或预后阶段对应的病理特征。
10.如权利要求9所述的病理指标挖掘系统,其特征在于,所述模型训练模块采用弱监督学习方法将肾脏各区域图像以及对应的治疗方案指标输入初始模型,调整初始模型参数使模型回归或分类结果达到最优;分别建立卷积神经网络和逻辑回归模型,采用ResNet-101作为卷积神经网络的骨干网络,用于提取图像特征,使用逻辑回归模型提取各项治疗方案指标的特征,再将卷积神经网络和逻辑回归模型特征拼接,从而得到最后的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231382.5A CN113990521A (zh) | 2021-10-22 | 2021-10-22 | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231382.5A CN113990521A (zh) | 2021-10-22 | 2021-10-22 | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113990521A true CN113990521A (zh) | 2022-01-28 |
Family
ID=79740236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111231382.5A Pending CN113990521A (zh) | 2021-10-22 | 2021-10-22 | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113990521A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115565681A (zh) * | 2022-10-21 | 2023-01-03 | 电子科技大学(深圳)高等研究院 | 面向不平衡数据的IgA肾病的预测分析系统 |
CN115641961A (zh) * | 2022-09-14 | 2023-01-24 | 中国医学科学院北京协和医院 | 用于预测肾脏年龄的方法及装置 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
-
2021
- 2021-10-22 CN CN202111231382.5A patent/CN113990521A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641961A (zh) * | 2022-09-14 | 2023-01-24 | 中国医学科学院北京协和医院 | 用于预测肾脏年龄的方法及装置 |
CN115565681A (zh) * | 2022-10-21 | 2023-01-03 | 电子科技大学(深圳)高等研究院 | 面向不平衡数据的IgA肾病的预测分析系统 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
CN116386857B (zh) * | 2023-06-07 | 2023-11-10 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468564B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
CN113990521A (zh) | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 | |
Ligabue et al. | Evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks | |
WO2022007337A1 (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
CN109886933A (zh) | 一种医学图像识别方法、装置和存储介质 | |
CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
Singh et al. | Deep learning system applicability for rapid glaucoma prediction from fundus images across various data sets | |
CN111899244B (zh) | 图像分割、网络模型的训练方法及装置,及电子设备 | |
Hu et al. | Automatic artery/vein classification using a vessel-constraint network for multicenter fundus images | |
CN112819797B (zh) | 糖尿病性视网膜病变分析方法、装置、系统及存储介质 | |
US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
CN107895368A (zh) | Shg/tpef图像中的参数作为成人或儿童的肝纤维化的分期特征参数的应用 | |
CN115953393B (zh) | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 | |
CN113343755A (zh) | 红细胞图像中的红细胞分类系统及方法 | |
CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
CN116797554A (zh) | 图像处理方法以及装置 | |
Agarwal et al. | A survey on recent developments in diabetic retinopathy detection through integration of deep learning | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
CN115578783A (zh) | 基于眼部图像进行眼部疾病识别的装置、方法及相关产品 | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
CN114565617A (zh) | 基于剪枝U-Net++的乳腺肿块图像分割方法及系统 | |
Wu et al. | Mscan: Multi-scale channel attention for fundus retinal vessel segmentation | |
Hussain et al. | An Ensemble Deep Learning Model for Diabetic Retinopathy Identification |
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 |