CN114463249B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114463249B CN114463249B CN202111405353.6A CN202111405353A CN114463249B CN 114463249 B CN114463249 B CN 114463249B CN 202111405353 A CN202111405353 A CN 202111405353A CN 114463249 B CN114463249 B CN 114463249B
- Authority
- CN
- China
- Prior art keywords
- tissue
- fibrosis
- outline
- glomerulus
- periglomerular
- 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.)
- Active
Links
- 206010016654 Fibrosis Diseases 0.000 title claims abstract description 43
- 230000004761 fibrosis Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 7
- 230000001434 glomerular Effects 0.000 claims description 28
- 238000005520 cutting process Methods 0.000 claims description 20
- 230000001575 pathological effect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 210000005239 tubule Anatomy 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 47
- 210000000056 organ Anatomy 0.000 description 10
- 210000004738 parenchymal cell Anatomy 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 4
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 4
- 210000002744 extracellular matrix Anatomy 0.000 description 4
- 210000002808 connective tissue Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 208000037273 Pathologic Processes Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 210000005086 glomerual capillary Anatomy 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000009054 pathological process Effects 0.000 description 2
- 210000002381 plasma Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 102000016942 Elastin Human genes 0.000 description 1
- 108010014258 Elastin Proteins 0.000 description 1
- 102000003886 Glycoproteins Human genes 0.000 description 1
- 108090000288 Glycoproteins Proteins 0.000 description 1
- 229920002683 Glycosaminoglycan Polymers 0.000 description 1
- 206010033661 Pancytopenia Diseases 0.000 description 1
- 102000016611 Proteoglycans Human genes 0.000 description 1
- 108010067787 Proteoglycans Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 208000024389 cytopenia Diseases 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920002549 elastin Polymers 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003176 fibrotic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 210000002570 interstitial cell Anatomy 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000037314 wound repair Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了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、计算机设备及计算机可读存储介质,本发明方法能够用于辅助评估肾小球周围组织纤维化及其程度,准确度高,效率高;本发明方法可以为后续的诊断与治疗提供准确的依据。本申请基于深度学习的方法,使得模型具有更好的鲁棒性和泛化能力,相比现有的检测法能够获得较好的准确性。
Description
技术领域
本发明具体涉及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。
背景技术
肾小球(glomerulus)是血液过滤器,肾小球毛细血管壁构成过滤膜。循环血液经过肾小球毛细血管时,血浆中的水和小分子溶质,包括少量分子量较小的血浆蛋白,可以滤入肾小囊的囊腔而形成滤过液,用微穿刺法实验证明,肾小球的滤过液就是血浆中的超滤液。
纤维化(fibrosis)可发生于多种器官,主要病理改变为器官组织内纤维结缔组织增多,实质细胞减少,持续进展可致器官结构破坏和功能减退,乃至衰竭,严重威胁人类健康和生命。
机体器官由实质和间质两部分构成。实质是指器官的主要结构和功能细胞 (如肝脏的实质细胞就是肝细胞),间质由间质细胞和细胞外基质(主要有胶原蛋白、蛋白聚糖、糖胺聚糖、糖蛋白和弹性蛋白)构成,分布在实质细胞之间,主要起机械支撑和连接作用。此外细胞外基质构成维持细胞生理活动的微环境,是细胞之间的信号传导的桥梁,参与多种生理病理过程,在组织创伤修复和纤维化过程中起重要作用。
任何原因只要能引起组织细胞损伤,均可导致组织细胞发生变性、坏死和炎症反应,如果损伤很小,损伤细胞周边正常实质细胞将发生增生修复,这种修复可完全恢复正常的结构和功能。然而如果损伤较大或反复损伤超出了损伤周围实质细胞的再生能力时,间质纤维结缔组织(细胞外基质)将大量增生对缺损组织进行修复,即发生纤维化的病理改变。因此本质上纤维化是组织遭受损伤后的修复反应,以保护组织器官的相对完整性。增生的纤维结缔组织虽然修复了缺损,但却不具备原来器官实质细胞的结构和功能。如果这种修复反应过度、过强和失控时,就会引起器官的纤维化和导致器官的功能下降。
由此可见,纤维化是指由于炎症导致器官实质细胞发生坏死,组织内细胞外基质异常增多和过度沉积的病理过程。轻者成为纤维化,重者引起组织结构破坏而发生器官硬化。
现有技术中,主要通过经验来进行确定,该方法诊断效率低,误检率高,花费成本高。
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用于评估肾小球周围组织纤维化的辅助方法、计算机设备。
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用于评估肾小球周围组织纤维化的辅助方法,包括以下步骤:
(1)根据肾小球、肾血管、肾小管的轮廓和病理条外轮廓制作掩码,将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0;
(2)利用闭操作进行处理,将掩码中的空洞进行填充,使用轮廓检测函数,获得图片的外轮廓,然后根据肾小球轮廓获得肾小球轮廓的左上角和右下角的坐标值(l,t)、(r,b),根据该值对大图和大图掩码进行裁切,得到裁切后的小图;
(3)对每张小图的掩码进行进一步处理,得到的区域为肾小球周围组织区域;
(4)将步骤(3)得到的肾小球周围组织区域去除肾小球、肾小管、肾血管,剩余的部分作为肾小球周围组织纤维化区域,获得剩下的纤维化区域后,进一步对干扰进行腐蚀膨胀操作,将处理后得到的区域面积与肾小球周围组织区域面积作比即可得到一个面积比值,然后将得到的面积比值进行kmeans聚类算法得出阈值,最终根据阈值来判定肾小球周围组织纤维化的程度。
进一步地,步骤(1)中,病理条外轮廓的检测利用opencv提取得到,首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩放,获得缩放图片中阈值小于200大于10的像素区域,转为uint8格式,得到图片掩码。
进一步地,步骤(2)中,大图裁切过程为:
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,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肾小球的轮廓,从而获得裁切图片的裁切窗口坐标和裁切后肾小球的轮廓。
进一步地,骤(3)中,对每张小图的掩码进行进一步处理:首先固定肾小球周围距离的范围,该范围作为掩码膨胀操作核的大小,计算肾小球轮廓的最小外接圆,以最小外接圆半径的一半的距离对小球轮廓进行扩充;膨胀后的肾小球轮廓减去没有膨胀的肾小球轮廓得到的区域为肾小球周围组织区域。
进一步地,步骤(1)中,肾小球、肾小管、肾血管的轮廓是采用分割模型对图片分割得到,采用u2net网络模型训练得到分割模型。相比于其他unet模型, 本发明采用u2net网络模型的特征学习能力更强,对细节的分割更加精准,对肾小球\肾小管\肾血管的分割更加精细,对边界的处理也具有很好的效果。
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,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用于评估肾小球周围组织纤维化的辅助方法中的步骤。
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用于评估肾小球周围组织纤维化的辅助方法中的步骤。
本发明的有益效果是:
本发明方法能够用于辅助评估肾小球周围组织纤维化及其程度,准确度高,效率高;本发明方法可以为后续的诊断与治疗提供准确的依据。本申请基于深度学习的方法,使得模型具有更好的鲁棒性和泛化能力,相比现有的检测法能够获得较好的准确性。
附图说明
图1是本发明用于评估肾小球周围组织纤维化的辅助方法流程图。
图2是实施例1中,最初的病理条图片。
图3是实施例1中,裁切下来的肾小球周围组织区域的掩码图。
图4是实施例1中,去除肾小球、肾血管、肾小管后,肾小球周围组织的图片。
图5是实施例1中,对图4去除干扰(一些丝状的边缘轮廓)后的掩码图。
图6是实施例2中,获得肾小球周围组织区域的示意图。
图7是实施例3中,计算机设备示意图。
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。
实施例1
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,包括以下步骤:
(1)根据肾小球、肾血管、肾小管的轮廓和病理条图片外轮廓制作掩码,将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0。
在一些优选的方式中,步骤(1)中,病理条图片外轮廓的检测利用opencv 的findContours函数提取得到,首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩小20倍,获得缩小图片中像素点的值小于200大于10的像素区域,转为uint8格式,得到图片掩码。
本实施例中,最初的病理条图片如图1所示。
(2)然后利用闭操作进行处理,将掩码中的空洞进行填充,使用轮廓检测函数(此处,轮廓检测函数为opencv库函数findContours),获得图片的外轮廓,得到外轮廓后根据肾小球轮廓获得肾小球轮廓的左上角和右下角的坐标值(l,t )、(r,b),根据该值对大图和大图掩码进行裁切。
具体地,使用已知的肾小球轮廓,将大图裁切成小图的过程:
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,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(这里0-360度随机旋转)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裁切后肾小球的轮廓。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。
本发明中,轮廓检测函数为opencv库函数findContours,本发明没有对其进行改进。
(3)对裁切后的每张小图的掩码图片进行处理,首先固定肾小球周围距离的范围,该范围作为掩码膨胀操作核的大小,通过计算肾小球轮廓的最小外接圆,以最小外接圆半径的一半的距离对肾小球轮廓进行扩充;膨胀后的肾小球轮廓减去没有膨胀的肾小球轮廓得到的区域为肾小球周围组织区域。本实施例中,裁切下来的肾小球周围组织区域的掩码图如图3所示。
进一步地,最小外接圆计算:将肾小球轮廓输入opencv函数 minEnclosingCircle得到。本申请中,肾小球轮廓的最小外接圆,以肾小球轮廓的最小外接圆半径一半的距离作为肾小球周围组织的范围。膨胀的作用主要是在原图上找到球周组织。本申请中,首先固定肾小球周围距离的范围,只有范围确定了,后续计算的比值才是个稳定的值,便于评估肾小球周围组织纤维化的程度。
(4)将步骤(3)得到的肾小球周围组织区域(即肾小球球周组织区域)去除肾小球、肾小管、肾血管(去除肾小球、肾血管、肾小管后,肾小球周围组织的图片如图4所示),剩余部分作为肾小球周围组织纤维化区域,获得剩下的纤维化区域;进一步对一些干扰进行腐蚀膨胀操作,将腐蚀膨胀操作处理后得到的区域面积与球周组织区域面积作比即可得到一个面积比值,然后将得到的面积比值进行kmeans聚类算法得出阈值,最终根据阈值可以用来判定肾小球周围组织纤维化的程度。所述干扰是指去除肾小球、肾小管、肾血管后会留下一些未去除干净的边界部分,所以要进一步将这些边界腐蚀掉,因为这样的边界会影响最终计算结果。本实施例中,对图4去除干扰(一些丝状的边缘轮廓)后得到的掩码图如图5所示。
在一些优选的方式中,肾小球、肾小管、肾血管的轮廓是采用分割模型对图片分割得到的。采用u2net网络模型训练得到分割模型。
数据预处理阶段:人工标注整张病理图片中的肾小球\肾小管\肾血管,并将图片以1024×1024的窗口大小裁切图片,然后制作图片标签与掩码。
掩码图片的制作过程:用np.zeros函数生成一张空白的图片,然后从json 文件中读取已经标注好的肾小球/肾小管/肾血管的轮廓,将肾小球/肾小管/肾血管的轮廓画在创建好的空白图片上,肾小球用1表示,肾小管用2表示,肾血管用3表示。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。
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(u2net 网络模型)中,进行训练得到分割模型。
在模型的训练中主要设置参数:batch size=4,初始学习率为0.001,dropout比率0.5。
在一些优选的方式中,采用opencv函数contourArea()进行统计求得面积。本实施例中,计算得到面积比area_rate=0.805。
本实施例中,采用kmeans聚类算法得出阈值为0,0.160,0.343,0.637,0.852, 1,(区间范围[0,1])。
面积比处于(0,0.160]区间表示肾小球周围组织正常,无纤维化,
面积比处于(0.160,0.343]区间表示肾小球周围组织轻度纤维化,
面积比处于(0.343,0.637]区间表示肾小球周围组织中度纤维化,
面积比处于(0.637,0.852]区间表示肾小球周围组织重度纤维化,
面积比处于(0.852,1]区间表示肾小球周围组织纤维化程度非常严重。
本实施例中,从步骤(1)开始至最后得到结果,所用时间为:2.21×10-5ms ,准确率为97.326%。
实施例2,
本实施例中,如图6所示,显示出了获得肾小球周围组织区域的流程;其中,绿色线条a圈出来的部分表示肾小球原始轮廓,蓝色线条b圈出来的部分表示最小外切圆,紫色线条c圈出来的部分表示膨胀后的轮廓,其中绿色线条a与紫色线条c之间的部分定义为肾小球周围组织区域。
实施例3,参照附图7。
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所提供的用于评估肾小球周围组织纤维化的辅助方法中的步骤。
实施例4
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用于评估肾小球周围组织纤维化的辅助方法中的步骤。
在本实施例中,所述计算机程序可以是实施例3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3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 (7)
1.一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,其特征是,包括以下步骤:
(1)根据肾小球、肾血管、肾小管的轮廓和病理条图片外轮廓制作掩码,将病理条外轮廓填充为1,将肾小球、肾血管、肾小管轮廓填充为0;
(2)利用闭操作进行处理,将掩码中的空洞进行填充,使用轮廓检测函数,获得图片的外轮廓,然后根据肾小球轮廓获得肾小球轮廓的左上角和右下角的坐标值(l,t)、(r,b),根据该值对大图和大图掩码进行裁切,得到裁切后的小图;
(3)对每张小图的掩码进行进一步处理,得到肾小球周围组织区域;
(4)将步骤(3)得到的肾小球周围组织区域去除肾小球、肾小管、肾血管,剩余的部分作为肾小球周围组织纤维化区域,获得剩下的纤维化区域后,进一步对干扰进行腐蚀膨胀操作,将处理后得到的区域面积与肾小球周围组织区域面积作比即可得到一个面积比值,然后将得到的面积比值进行kmeans聚类算法得出阈值,最终根据阈值来判定肾小球周围组织纤维化的程度。
2.根据权利要求1所述的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,其特征是,步骤(1)中,病理条图片外轮廓的检测利用opencv提取得到,首先将bgr格式的图片转化为灰度图片,然后对病理条进行缩放,获得缩放图片中阈值小于200大于10的像素区域,转为uint8格式,得到图片掩码。
3.根据权利要求1所述的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,其特征是,步骤(2)中,大图裁切过程为:
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,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肾小球的轮廓,从而获得裁切图片的裁切窗口坐标和裁切后肾小球的轮廓。
4.根据权利要求1所述的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,其特征是,步骤(3)中,对每张小图的掩码进行进一步处理:首先固定肾小球周围距离的范围,该范围作为掩码膨胀操作核的大小,计算肾小球轮廓的最小外接圆,以最小外接圆半径的一半的距离对小球轮廓进行扩充;膨胀后的肾小球轮廓减去没有膨胀的肾小球轮廓得到的区域为肾小球周围组织区域。
5.根据权利要求1所述的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,其特征是,步骤(1)中,肾小球、肾小管、肾血管的轮廓是采用分割模型对图片分割得到,采用u2net网络模型训练得到分割模型。
6.一种计算机设备,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1-5中任一项所述的用于评估肾小球周围组织纤维化的辅助方法中的步骤。
7.一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1-5中任一项所述的用于评估肾小球周围组织纤维化的辅助方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405353.6A CN114463249B (zh) | 2021-11-24 | 2021-11-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405353.6A CN114463249B (zh) | 2021-11-24 | 2021-11-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463249A CN114463249A (zh) | 2022-05-10 |
CN114463249B true CN114463249B (zh) | 2024-04-05 |
Family
ID=81405377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405353.6A Active CN114463249B (zh) | 2021-11-24 | 2021-11-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463249B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245881B (zh) * | 2023-05-11 | 2023-07-14 | 东南大学附属中大医院 | 一种基于全视野识别的肾间质纤维化评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1348381A (zh) * | 1999-03-22 | 2002-05-08 | 海斯塔泰克有限责任公司 | 使用小肽类实现抗纤维变性活性的治疗方法 |
CN104473703A (zh) * | 2014-11-18 | 2015-04-01 | 上海浦灵生物科技有限公司 | 一种输尿管结扎诱导的非人灵长类动物肾纤维化模型的建立和应用 |
CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7198577B2 (ja) * | 2017-11-17 | 2023-01-04 | シスメックス株式会社 | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 |
-
2021
- 2021-11-24 CN CN202111405353.6A patent/CN114463249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1348381A (zh) * | 1999-03-22 | 2002-05-08 | 海斯塔泰克有限责任公司 | 使用小肽类实现抗纤维变性活性的治疗方法 |
CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
CN104473703A (zh) * | 2014-11-18 | 2015-04-01 | 上海浦灵生物科技有限公司 | 一种输尿管结扎诱导的非人灵长类动物肾纤维化模型的建立和应用 |
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 |
Non-Patent Citations (2)
Title |
---|
基于Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析;杨会;张兴娜;姜秋竹;原成英;屈重霄;刘云霄;王晨;李明;李荣山;周晓霜;;临床肾脏病杂志;20200328(第03期);全文 * |
药物对肾脏损伤作用;胡中慧;王青秀;廖明阳;;药物流行病学杂志;20091215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114463249A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量系统 | |
CN113658150B (zh) | 一种基于深度学习的染色体自动分割和分类方法 | |
CN109300127B (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN111047522A (zh) | 一种基于边缘生成的图像修复方法 | |
CN110599500A (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 | |
CN115294126B (zh) | 一种病理图像的癌细胞智能识别方法 | |
CN111695575B (zh) | 一种基于改进均值滤波法的焊缝图像特征点提取方法 | |
CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN114119541B (zh) | 一种肾小球球囊基膜增厚的检测方法、设备及存储介质 | |
CN116188467B (zh) | 一种刀片锂电池外壳长表面的异常检测方法 | |
CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
CN115330663A (zh) | 眼前节oct图像中巩膜镜和泪液镜边界分割方法 | |
CN114119523A (zh) | 一种肾间质纤维化的辅助评估方法、计算机设备及计算机可读存储介质 | |
CN113066051A (zh) | 一种坡口缺陷检测方法、计算设备及可读存储介质 | |
CN116959712A (zh) | 基于病理图像的肺腺癌预后方法、系统、设备及存储介质 | |
CN112330708B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112287933B (zh) | 一种汽车轮毂x射线图像文字干扰的去除方法及系统 | |
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 | |
TWI830166B (zh) | 病理切片影像的脂滴分割方法與電腦程式產品 | |
CN114119537A (zh) | 一种基于深度学习的图像中肾间质炎症细胞确定方法、计算机设备及计算机可读存储介质 | |
CN117570852B (zh) | 极耳顶点坐标检测方法、装置及设备 | |
CN115619806A (zh) | 胸膜粘连型肺实质分割方法和系统 | |
CN114298970A (zh) | 一种基于深度学习的肾脏血管内膜辅助检测方法、计算机设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |