CN114140639A - 一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 - Google Patents
一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114140639A CN114140639A CN202111301191.1A CN202111301191A CN114140639A CN 114140639 A CN114140639 A CN 114140639A CN 202111301191 A CN202111301191 A CN 202111301191A CN 114140639 A CN114140639 A CN 114140639A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- picture
- blood vessel
- pole
- urine
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 210000002700 urine Anatomy 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 26
- 230000001434 glomerular Effects 0.000 claims description 23
- 230000001575 pathological effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000002485 urinary effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 210000003734 kidney Anatomy 0.000 description 5
- 210000002565 arteriole Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 210000005239 tubule Anatomy 0.000 description 3
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000000885 nephron Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000003951 Erythropoietin Human genes 0.000 description 1
- 108090000394 Erythropoietin Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000002397 Kinins Human genes 0.000 description 1
- 108010093008 Kinins Proteins 0.000 description 1
- 102100028255 Renin Human genes 0.000 description 1
- 108090000783 Renin Proteins 0.000 description 1
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000007368 endocrine function Effects 0.000 description 1
- 229940105423 erythropoietin Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- OXCMYAYHXIHQOA-UHFFFAOYSA-N potassium;[2-butyl-5-chloro-3-[[4-[2-(1,2,4-triaza-3-azanidacyclopenta-1,4-dien-5-yl)phenyl]phenyl]methyl]imidazol-4-yl]methanol Chemical compound [K+].CCCCC1=NC(Cl)=C(CO)N1CC1=CC=C(C=2C(=CC=CC=2)C2=N[N-]N=N2)C=C1 OXCMYAYHXIHQOA-UHFFFAOYSA-N 0.000 description 1
- 150000003180 prostaglandins Chemical class 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000000512 proximal kidney tubule Anatomy 0.000 description 1
- 230000009103 reabsorption Effects 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- QYSXJUFSXHHAJI-YRZJJWOYSA-N vitamin D3 Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C\C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-YRZJJWOYSA-N 0.000 description 1
- 235000005282 vitamin D3 Nutrition 0.000 description 1
- 239000011647 vitamin D3 Substances 0.000 description 1
- 229940021056 vitamin d3 Drugs 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质，本发明基于深度学习的图像中肾脏血管极尿极分类方法能够对肾脏血管极尿极进行分类，工作效率较高。本发明的方法处理具体的图片后得到结果，所用时间较短，准确率能够达到98％以上。
Description
技术领域
本发明具体涉及一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质。
背景技术
肾脏是人体的重要器官，它的基本功能是生成尿液，借以清除体内代谢产物及某些废物、毒物，同时经重吸收功能保留水分及其他有用物质，如葡萄糖、蛋白质、氨基酸、钠离子、钾离子、碳酸氢钠等，以调节水、电解质平衡及维护酸碱平衡。肾脏同时还有内分泌功能，生成肾素、促红细胞生成素、活性维生素 D3、前列腺素、激肽等，又为机体部分内分泌激素的降解场所和肾外激素的靶器官。肾脏的这些功能，保证了机体内环境的稳定，使新陈代谢得以正常进行。
肾单位是肾脏结构和功能的基本单位。每个肾单位由肾小体和肾小管所构成，肾小体包括肾小球和肾小囊。肾小体位于皮质迷路和肾柱内，一端与肾小管相连。肾小体有两个极，微动脉出入的一端称血管极，对侧一端和近曲小管相连，称尿极。
现有技术中，主要通过医生的临床经验来进行确定，诊断效率低，误检率高，花费成本高。另外，一些传统的图像检测分类办法，如利用opencv中提供的 API进行分割或者检测。传统的图像处理方法虽然能够处理当前的图片样本，但是针对大规模数据集不具备很好的泛化能力，需要对单个图片数据手动设置数值 (所述数值是指传统方法中处理图片时函数中的值)，从而导致样本处理时间成本的增加，另外手动设置数值并不能够获得最优的参数值，这也导致其准确率不高。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质。
为了实现上述目的，本发明提供以下技术方案：
一种基于深度学习的图像中肾脏血管极尿极分类方法，包括以下步骤：
步骤(1)：选择一张病理图片，根据已知的肾小球轮廓对病理图片进行裁切，得到裁切后的小图；
步骤(2)：将步骤(1)得到的小图输入到训练好的深度学习分割模型中，模型输出分割掩码图；
步骤(3)：获取掩码图片的后面两个通道，分别对应血管极和尿极，分别再得到血管极和尿极掩码图片中非零元素的位置，对非零元素位置的值求平均值，得到血管极尿极的得分，最终输出分类结果。
进一步地，步骤(1)中，根据已知的肾小球轮廓对病理图片进行裁切的过程：
步骤(1.1)：获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r-l,h＝b-t ；
步骤(1.2)：取宽和高中尺寸最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2,利用肾小球轮廓、裁切中心以及旋转角度获得旋转后的肾小球的轮廓；从而获得裁切图片的裁切窗口坐标和对应轮廓，通过裁切得到小图。
进一步地，步骤(2)中，深度学习分割模型的训练主要包括数据预处理和模型搭建。
进一步地，数据预处理阶段：剔除一些异常的数据集，然后制作分割掩码图片。
进一步地，分割掩码图片的制作过程：先用numpy.zeros()创建一张与分割图片长宽一样的空白图片，然后从json文件中读取已经标注好的血管极尿极的轮廓，将血管极尿极的轮廓画在创建好的空白图片上，这样就完成了掩码的制作。
进一步地，网络搭建：使用unet网络模型；在Unet结构的下采样过程中嵌入efficientnet_b3模型。
进一步地，深度学习分割模型训练过程中，设置的参数为：batch size＝32，学习率lr＝0.01,迭代轮次epoch＝200。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时能够实现以上所述的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能够实现以上所述的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
本发明的有益效果是：
本发明基于深度学习的图像中肾脏血管极尿极分类方法能够对肾脏血管极尿极进行分类，工作效率较高。本发明的方法处理具体的图片后得到结果，所用时间较短，准确率能够达到98％以上。
附图说明
图1是本发明基于深度学习的图像中肾脏血管极尿极分类方法的流程图。
图2是计算机设备示意图。
图3是实施例1中，使用的病理图片。
图4是实施例1中，裁切后的小图。
图5是实施例1中，分割网络模型输出的分割掩码图。
具体实施方式
以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。
一种基于深度学习的图像中肾脏血管极尿极分类方法，包括以下步骤：
步骤(1)：选择一张病理图片，首先根据已知的肾小球轮廓，将大图(病理图片)裁切成为小图。
所述大图指的是病理图片，利用病理切片扫描仪扫描得到病理图片；此处，肾小球轮廓已知的，然后按照肾小球轮廓对病理图片进行裁切。
一般，一张病理条图片有上百兆甚至GB级别大小,所以需要对图片进行裁切，避免直接将整张图片输入分割模型进行分割，参数量和计算量太大。本发明中采用肾小球轮廓进行裁切是因为血管极尿极与肾小球相连接，(肾小球有两个极，微动脉出入的一端称血管极，对侧一端和近曲小管相连，称尿极)，所以用肾小球的轮廓为基础进行裁切比较好。
步骤(2)：将裁切后的小图输入到训练好的深度学习分割模型中，模型会返回输入图片的分割掩码图；分割掩码图有三个通道，第一个通道代表背景映射，第二个通道代表血管极区域，第三个通道代表尿极区域；
步骤(3)：获取掩码图片的后面两个通道，分别对应血管极区域和尿极区域，分别再得到血管极和尿极掩码图片中非零元素的位置，对掩码图片中非零元素位置的值求平均值，分别得到血管极、尿极的得分，最终输出分类结果。所述得分指的是：掩码图片中非零元素的平均值。本发明计算血管极尿极的得分后，可以分别给它们一个置信度，这样就可以从数值上来衡量类别判断的可信度。
在一些优选的方式中，步骤(1)中，使用已知的肾小球轮廓，将大图裁切成小图的过程包括：
步骤(1.1)：获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r-l,h＝b-t。
步骤(1.2)：取宽和高中尺寸最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2，利用肾小球轮廓和裁切中心以及旋转角度获得旋转后的肾小球的轮廓。从而获得裁切图片的裁切窗口坐标和对应轮廓(裁切后肾小球的轮廓)。所述旋转角度为0到360度中随机取一个值(旋转是随机的)，所述裁切窗口坐标可以根据肾小球轮廓的位置坐标得到的，不是固定不变的。
在一些优选的方式中，步骤(2)中，深度学习分割模型的训练主要包括数据预处理和模型搭建两部分。
数据预处理阶段：剔除一些异常的数据集(即会影响模型训练的数据集)，然后制作分割掩码图片。
分割掩码图片的制作过程：先用numpy.zeros()创建一张与分割图片长宽一样的空白图片，然后从json文件中读取已经标注好的血管极尿极的轮廓，将血管极尿极的轮廓画在创建好的空白图片上，这样就完成了掩码的制作。所述json 文件里面存储了整张病理图片的信息(图片名称，肾小球轮廓信息，标签等信息 )。
根据标签信息将图片划分为训练集和测试集，一般90％的图片作为训练集， 10％的图片作为测试集。
网络搭建：本发明使用unet网络模型。
本发明中，在Unet结构的下采样过程中嵌入了efficientnet_b3模型，这样能够提升模型特征的提取，提高模型性能。
模型训练阶段：将一部分数据集输入到搭建好的深度学习分割模型中，对输入的值进行上采样得到一张预测掩码图，然后预测掩码图和上文制作的标签掩码图用交叉熵损失函数进行误差计算，得到的误差通过反向传播算法进行传播并更新权重和偏置参数。按照这样的方式迭代预设的轮次后停止。
分割模型训练过程中，主要设置的参数为：batch size＝32，学习率lr＝0.01,迭代轮次epoch＝200。
在一些优选的方式中，步骤(3)中，计算掩码图片中非零元素的位置，采用numpy.nonzero()可以得到，本发明不对其进行改进。
具体实施例
(1)如图3所示，获取一张病理图片，然后将病理图片裁切成小图，裁切后的小图如图4所示。
裁切小图的具体过程：根据已知病理图片的肾小球轮廓，得到肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得小球轮廓最小外接矩形的宽高分别为w＝r-l,h＝b-t.取宽和高最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2,利用肾小球轮廓和裁切中心以及旋转角度获得旋转后的小球的轮廓；从而获得裁切图片的裁切窗口坐标和对应轮廓。
(2)将裁切后的小图输入到训练好的深度学习分割网络模型(此处的模型即为上文训练好的模型)中，模型会返回输入图片的分割掩码图，如图5所示；
(3)获取掩码图片的后面两个通道，分别对应血管极区域和尿极区域，分别再得到血管极和尿极掩码中非零元素的位置，对掩码图中非零元素位置的值求平均值，得到血管极尿极的得分。
分割结果中第二个通道对应血管极区域，第三个通道对应尿极区域。这样每个血管极尿极都可以被分割出来，同时对应相应得分。
本实施例中，测试一张大的病理图片，模型输出有三个血管极，0个尿极，血管极得分分别为0.8974,0.8831,0.9450。
本实施例中，从选择具体的病理图片后至得到分类结果及得分，所用时间为9.556ms，本发明方法的准确率为98.34％。
本发明方法基于深度学习，使得模型具有更好的鲁棒性和泛化能力，相比现有的方法能够获得较好的准确性，并能提高检测效率。
实施例2，参照附图2。
在本实施例中，提供了一种计算机设备100，包括存储器102、处理器101 及存储在存储器102上并可在处理器101上运行的计算机程序103，处理器101 执行计算机程序103时能够实现上述实施例1所提供的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
实施例3
在本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时能够实现上述各个实施例所提供的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
在本实施例中，所述计算机程序可以是实施例2中的计算机程序。
在本实施例中，所述计算机可读存储介质可以被实施例2中的计算机设备所运行。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM )、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM )、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路 (Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM )、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM )等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例的所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，包括以下步骤：
步骤(1)：选择一张病理图片，根据已知的肾小球轮廓对病理图片进行裁切，得到裁切后的小图；
步骤(2)：将步骤(1)得到的小图输入到训练好的深度学习分割模型中，模型输出分割掩码图；
步骤(3)：获取掩码图片的后面两个通道，分别对应血管极和尿极，分别再得到血管极和尿极掩码图片中非零元素的位置，对非零元素位置的值求平均值，得到血管极尿极的得分，最终输出分类结果。
2.根据权利要求1所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，步骤(1)中，根据已知的肾小球轮廓对病理图片进行裁切的过程：
步骤(1.1)：获得肾小球轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾小球轮廓最小外接矩形的宽、高分别为w＝r-l,h＝b-t；
步骤(1.2)：取宽和高中尺寸最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2,利用肾小球轮廓、裁切中心以及旋转角度获得旋转后的肾小球的轮廓；从而获得裁切图片的裁切窗口坐标和对应轮廓，通过裁切得到小图。
3.根据权利要求1所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，步骤(2)中，深度学习分割模型的训练主要包括数据预处理和模型搭建。
4.根据权利要求3所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，数据预处理阶段：剔除一些异常的数据集，然后制作分割掩码图片。
5.根据权利要求4所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，分割掩码图片的制作过程：先用numpy.zeros()创建一张与分割图片长宽一样的空白图片，然后从json文件中读取已经标注好的血管极尿极的轮廓，将血管极尿极的轮廓画在创建好的空白图片上，这样就完成了掩码的制作。
6.根据权利要求3所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，网络搭建：使用unet网络模型；在Unet结构的下采样过程中嵌入efficientnet_b3模型。
7.根据权利要求1所述的一种基于深度学习的图像中肾脏血管极尿极分类方法，其特征是，深度学习分割模型训练过程中，设置的参数为：batch size＝32，学习率lr＝0.01,迭代轮次epoch＝200。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时能够实现权利要求1-7中任一项所述的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现权利要求1-7中任一项所述的基于深度学习的图像中肾脏血管极尿极分类方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301191.1A CN114140639A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301191.1A CN114140639A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140639A true CN114140639A (zh) | 2022-03-04 |
Family
ID=80392725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111301191.1A Pending CN114140639A (zh) | 2021-11-04 | 2021-11-04 | 一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140639A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
| CN110458842A (zh) * | 2019-06-26 | 2019-11-15 | 南京邮电大学 | 基于双通道三维密集连接网络的脑肿瘤分割方法 |
| CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
| CN110705565A (zh) * | 2019-09-09 | 2020-01-17 | 西安电子科技大学 | 淋巴结肿瘤区域识别方法与装置 |
| CN112508854A (zh) * | 2020-11-13 | 2021-03-16 | 杭州医派智能科技有限公司 | 一种基于unet的肾小管检测分割方法 |
| CN113344896A (zh) * | 2021-06-24 | 2021-09-03 | 鹏城实验室 | 一种胸部ct图像病灶分割模型的训练方法及系统 |
-
2021
- 2021-11-04 CN CN202111301191.1A patent/CN114140639A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
| CN110458842A (zh) * | 2019-06-26 | 2019-11-15 | 南京邮电大学 | 基于双通道三维密集连接网络的脑肿瘤分割方法 |
| CN110705565A (zh) * | 2019-09-09 | 2020-01-17 | 西安电子科技大学 | 淋巴结肿瘤区域识别方法与装置 |
| CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
| CN112508854A (zh) * | 2020-11-13 | 2021-03-16 | 杭州医派智能科技有限公司 | 一种基于unet的肾小管检测分割方法 |
| CN113344896A (zh) * | 2021-06-24 | 2021-09-03 | 鹏城实验室 | 一种胸部ct图像病灶分割模型的训练方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘天昊: "基于深度卷积神经网络的细胞核分割", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200320697A1 (en) | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN108765369B (zh) | 肺结节的检测方法、装置、计算机设备和存储介质 | |
| JP2023550844A (ja) | 深層形状学習に基づく肝臓ｃｔ自動分割方法 | |
| EP4420598A1 (en) | Method and system for measuring lesion features of hypertensive retinopathy | |
| CN111724397B (zh) | 一种颅脑ct图像出血区域自动分割方法 | |
| WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
| CN110974306A (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
| CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
| CN111738992B (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
| CN113658165A (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
| CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
| CN112419292A (zh) | 病理图像的处理方法、装置、电子设备及存储介质 | |
| CN116363081A (zh) | 基于深度神经网络的胎盘植入mri征象检测分类方法及装置 | |
| CN113706684A (zh) | 三维血管图像重建方法、系统、医疗设备以及存储介质 | |
| CN115330663A (zh) | 眼前节oct图像中巩膜镜和泪液镜边界分割方法 | |
| CN114140639A (zh) | 一种基于深度学习的图像中肾脏血管极尿极分类方法、计算机设备及计算机可读存储介质 | |
| CN117036305B (zh) | 一种用于咽喉检查的图像处理方法、系统及存储介质 | |
| CN114463249B (zh) | 一种基于深度学习的用于评估肾小球周围组织纤维化的辅助方法、计算机设备 | |
| CN115294191A (zh) | 基于电子内镜的标志物尺寸测量方法、装置、设备及介质 | |
| CN116051470A (zh) | 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置 | |
| CN114119541A (zh) | 一种基于深度学习的肾小球球囊基膜增厚的检测方法、计算机设备及计算机可读存储介质 | |
| CN115908888A (zh) | 一种介入手术机器人基于Unet的DSA图像序列的血管介入器械跟踪方法 | |
| CN113066108B (zh) | 基于eco算法的抗遮挡视觉目标跟踪方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220304 |
|
| RJ01 | Rejection of invention patent application after publication |