CN115240000A - 一种用于法医鉴定的糖尿病检测装置及方法 - Google Patents

一种用于法医鉴定的糖尿病检测装置及方法 Download PDF

Info

Publication number
CN115240000A
CN115240000A CN202210870985.8A CN202210870985A CN115240000A CN 115240000 A CN115240000 A CN 115240000A CN 202210870985 A CN202210870985 A CN 202210870985A CN 115240000 A CN115240000 A CN 115240000A
Authority
CN
China
Prior art keywords
variables
sample
kidney tissue
variable
tissue section
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.)
Granted
Application number
CN202210870985.8A
Other languages
English (en)
Other versions
CN115240000B (zh
Inventor
张吉
黄平
陈忆九
秦志强
张建华
邓恺飞
邹冬华
刘宁国
李正东
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.)
Academy Of Forensic Science
Original Assignee
Academy Of Forensic Science
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 Academy Of Forensic Science filed Critical Academy Of Forensic Science
Priority to CN202210870985.8A priority Critical patent/CN115240000B/zh
Publication of CN115240000A publication Critical patent/CN115240000A/zh
Application granted granted Critical
Publication of CN115240000B publication Critical patent/CN115240000B/zh
Priority to US18/355,386 priority patent/US12002209B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5091—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing the pathological state of an organism
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • 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
    • G06T2207/30—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

本发明公开了一种用于法医鉴定的糖尿病检测装置及方法，包括：获取样本肾组织切片并进行处理，获得初始处理数据；将初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于目标处理数据获得训练数据库；根据训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告。本发明建立了一种全新的法医病理学检查方法，本发明提供的糖尿病检测装置及方法，能够解决相关技术中使用化学染色法诊断糖尿病所带来的问题，为法医病理学死因鉴定提供帮助。实现了科学鉴定，保证了案件的正确审理和判定，提高了刑事办案人员特别是法医人员的工作效率和鉴定结果的准确性，维护法律的公正。

Description

一种用于法医鉴定的糖尿病检测装置及方法
技术领域
本发明属于法医病理学死因鉴定领域，特别是涉及一种用于法医鉴定的糖尿病检测装置及方法。
背景技术
糖尿病合并代谢性疾病是法医病理学常见死亡原因之一。由于死后尸体体液会发生显著生物化学改变，因此，临床常规血清检测难以准确对该疾病进行准确诊断。法医往往需要借助案情、死亡经过、尸检及组织病理学等检查手段判断死者生前是否患有糖尿病，从而间接明确相关死亡原因。
肾小球或肾小管是糖尿病的主要组织病变结构，是明确糖尿病的主要诊断指标之一。然而，所产生的病变也可见于其他疾病，如高血压病，两者在常规HE染色下形态结构有时难以进行有效区分。鉴于此，法医还需进行其他化学染色方法(如雪芙染色)对其予以验证。
这些化学染色主要由人工完成，该工作费时、费力且需要使用较多有害试剂，对实验人员和周围环境造成了不小的破坏。此外，染色结果的可靠性与实验人员的个人技术有关，经常会发生假阳性或假阴性结果。
发明内容
为解决相关技术中使用化学染色法诊断糖尿病所带来的问题，本发明提供了如下方案：一种用于法医鉴定的糖尿病检测装置，包括：
预处理系统，用于对样本肾组织切片进行处理，获得初始处理数据；
模型训练系统，用于将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库；
检测分析系统，用于根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告。
优选地，所述预处理系统包括样本网格化模块、样本采集模块、数据去噪模块、数据采集模块；
所述样本网格化模块用于对样本肾组织切片中的肾小球或肾小管区域进行虚拟网格划分，获得网格区域；
所述样本采集模块用于提取所述网格区域内肾组织的能够反映大分子物质的含量和结构特征的连续变量；
所述数据去噪模块用于获取所述连续变量中的肾小球或肾小管变量和背景变量；
所述数据采集模块用于从所述肾小球或肾小管变量中区分阳性变量和阴性变量。
优选地，所述模型训练系统包括数据库构建模块、模型训练模块；
所述数据库构建模块用于对阳性变量和阴性变量进行标记，形成训练数据库；
所述模型训练模块用于训练数学模型对连续变量进行分类，基于所述训练数据库对数学模型架构中的参数进行校正，输出校验模型。
优选地，所述检测分析系统包括样本识别模块、虚拟成像模块、显示模块；
所述样本识别模块用于识别预测肾组织切片中的肾小球或肾小管病变区域，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
所述虚拟成像模块用于观察所述肾小球或肾小管病变区域，将阳性变量、阴性变量及背景变量分别转化为阳性像素、阴性像素和背景像素，并按所述虚拟网格划分进行排列，获得虚拟成像图像；
所述显示模块用于根据所述虚拟成像图像生成法医鉴定检测报告并进行显示。
一种用于法医鉴定的糖尿病检测方法，其特征在于，包括以下步骤：
获取样本肾组织切片并进行处理，获得初始处理数据；
将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库；
根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告。
优选地，获取样本肾组织切片并进行处理，获得所述初始处理数据的过程包括，
对样本肾组织切片中的肾小球或肾小管区域进行虚拟网格划分，获得网格区域；
提取所述网格区域内肾组织的能够反映大分子物质的含量和结构特征的连续变量；
对所述连续变量进行分类获得肾小球或肾小管变量和背景变量；
对所述肾小球或肾小管变量进行识别筛选获得阳性变量和阴性变量。
优选地，对所述肾小球或肾小管变量进行识别筛选获得阳性变量和阴性变量的过程包括，
将所述样本肾组织切片与参考肾组织切片的网格区域进行对应，根据所述参考肾组织切片中的肾小球或肾小管病变及正常区域，分别提取所述样本肾组织切片中肾小球或肾小管变量的阳性变量和阴性变量。
优选地，所述参考肾组织切片通过染色处理获得；
所述染色处理包括免疫组织化学染色，特殊染色，HE染色；
当所述参考肾组织切片等于所述样本肾组织切片，所述参考肾组织切片待连续变量提取后进行所述染色处理；
当所述参考肾组织切片来源于所述样本肾组织切片的上一组或下一组切片，所述参考肾组织切片在所述样本肾组织切片采集连续变量之前或之后完成染色处理。
优选地，将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库之后还包括，
分别对肾小球或肾小管变量中的阳性变量和阴性变量进行标记，形成训练数据库；
通过训练数学模型对连续变量进行分类，基于所述训练数据库对数学模型架构中的参数进行校正，获得校验模型。
优选地，根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告的过程包括，
识别预测肾组织切片中的肾小球或肾小管病变区域，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
将所述肾小球或肾小管病变区域中的阳性变量、阴性变量及背景变量分别转化为阳性像素、阴性像素和背景像素，并按虚拟网格划分进行排列，获得虚拟成像图像；
根据所述虚拟成像图像生成法医鉴定检测报告并进行显示。
本发明公开了以下技术效果：
本发明提供的一种用于法医鉴定的糖尿病检测装置及方法，通过对样本肾组织切片的虚拟网格化处理；网格区域连续变量的提取；从连续变量中筛选肾小球或肾小管变量和背景变量；从肾小球或肾小管变量中识别阳性变量和阴性变量；模型数据库的构建及训练；校正模型的生成；校正模型识别预测肾组织切片肾小球或肾小管区域中的病变区域；形成由阳性变量、阴性变量及背景变量组成的虚拟成像图片。本发明建立了一种全新的法医病理学检查方法，本发明提供的糖尿病检测装置及方法，能够解决相关技术中使用化学染色法诊断糖尿病所带来的问题，为法医病理学死因鉴定提供帮助。
本发明实现了科学鉴定，保证了案件的正确审理和判定，提高了刑事办案人员特别是法医人员的工作效率和鉴定结果的准确性，维护法律的公正。
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，下面描述中的附图仅仅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为本发明实施例的系统结构示意图；
图2为本发明实施例的方法流程图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种用于法医鉴定的糖尿病检测装置,包括：
样本网格化模块，用于对样本肾组织切片中肾小球或肾小管区域进行虚拟网格划分，形成m×n个网格区域，其中，m和n分别为肾小球或肾小管区域横向和纵向的网格数量，其值为不小于0的整数值；
样本采集模块，用于收集网格区域内肾组织的连续变量，其中，连续变量包含了蛋白质、脂肪、核酸及糖类等大分子物质官能团振动信息，能够反映大分子物质的含量和结构特征；
数据去噪模块，用于从连续变量中确认肾小球或肾小管变量和背景变量，其中，肾小球或肾小管变量为网格区域内含有肾小球或肾小管结构的连续变量，背景变量为网格区域内不含有肾小球或肾小管结构的连续变量；
数据采集模块，用于从肾小球或肾小管变量中区分阳性变量和阴性变量，其中，阳性变量对应的网格区域为病变肾小球或肾小管结构，阴性变量对应的网格区域为正常肾小球或肾小管结构；
数据库构建模块，用于对阳性变量和阴性变量进行标记，形成训练数据库；
模型训练模块，用于训练数学模型对连续变量进行分类，采用训练数据库对数学模型架构中的参数进行校正后输出校验模型，其中，校验模型能够通过输入连续变量从而输出其为阳性变量的概率值，概率值为大于0且小于1的浮点数值；
样本识别模块，用于识别预测肾组织切片中的肾小球或肾小管变病区域，应用样本网格化模块，样本采集模块，数据去噪模块获取预测肾组织切片中的肾小球或肾小管变量和背景变量，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
虚拟成像模块，用于观察预测肾组织切片中的病变区域，将从预测肾组织切片中获得的阳性变量，阴性变量及背景变量分别转化为阳性像素，阴性像素和背景像素，并按虚拟网格划分进行排列，形成虚拟成像；
进一步地，如图2所示，本发明还提供了一种用于法医鉴定的糖尿病检测方法,包括以下步骤：
将样本肾组织切片中肾小球或肾小管区域进行虚拟网格划分，形成m×n个网格区域，其中，m和n分别为肾小球或肾小管区域横向和纵向的网格数量，其值为不小于0的整数值；
进一步地优化方案，识别样本肾组织切片中肾小球或肾小管结构的区域，按等同大小对该区域进行虚拟网格划分，其中，每个网格的大小都是一致的，肾小球或肾小管区域宽和高网格数量均大于1。
收集网格区域内肾组织的连续变量，其中，连续变量包含了蛋白质、脂肪、核酸及糖类等大分子物质官能团振动信息，能够反映大分子物质的含量和结构特征；
从连续变量中确认肾小球或肾小管变量和背景变量，其中，肾小球或肾小管变量为网格区域内含有肾小球或肾小管结构的连续变量，背景变量为网格区域内不含有肾小球或肾小管结构的连续变量；
从肾小球或肾小管变量中区分阳性变量和阴性变量，其中，阳性变量对应的网格区域为病变肾小球或肾小管结构，阴性变量对应的网格区域为正常肾小球或肾小管结构；
对阳性变量和阴性变量进行标记，形成训练数据库；
采用训练数据库对数学模型架构中的参数进行校正后输出校验模型，其中，校验模型能够通过输入连续变量从而输出其为阳性变量的概率值，概率值为大于0且小于1的浮点数值；
获取预测肾组织切片中的肾小球或肾小管变量和背景变量，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
将从预测肾组织切片中获得的阳性变量，阴性变量及背景变量分别转化为阳性像素，阴性像素和背景像素，并按虚拟网格划分进行排列，形成虚拟成像。
进一步地优化方案，从连续变量中确认肾小球或肾小管变量和背景变量采用如下步骤之一：
设置筛选阈值从连续变量中获取肾小球或肾小管变量和背景变量；
根据网格区域在样本肾组织切片上的空间位置手动从连续变量中获取肾小球或肾小管变量和背景变量。
进一步地优化方案，设置筛选阈值从连续变量中获取肾小球或肾小管变量和背景变量包括：
若连续变量中的量化指标低于筛选阈值时，则被认定为背景变量；
若连续变量中的量化指标高于或等于阈值时，则被认定为肾小球或肾小管变量。
进一步地优化方案，量化指标为连续变量中某一数据点数值或某一间距连续数据点围成的面积值。
具体包括，确认从样本肾组织切片中获取的生物光谱数据是否来自于肾小球或肾小管结构还是来自于非肾小球及非肾小管结构；其中，可采用如下两种方法之一予以判断：1.计算光谱数据中的某一数据点值或连续数据点值围成的面积值作为量化指标值，当这些量化指标值大于特定阈值时，对应的光谱数据为肾小球或肾小管变量，其余光谱数据则被认定为背景变量；2.根据检测样本的连续切片或样本本身的化学染色结果确定检测样本中对应网格区域是否为肾小球或肾小管结构或是非肾小球及非肾小管结构，从而手动明确肾小球或肾小管变量和背景变量。
进一步地优化方案，从肾小球或肾小管变量中区分阳性变量和阴性变量，具体步骤如下：
根据参考肾组织切片中肾小球或肾小管病变及正常区域，分别提取阳性变量和阴性变量，其中，参考肾组织切片的网格区域与样本肾组织切片一一对应；
进一步地优化方案，参考肾组织切片是经染色处理后得到，其来源于以下两种之一：
参考肾组织切片等于样本肾组织切片，其中，参考肾组织切片待连续变量提取后进行染色处理；
参考肾组织切片来源于样本肾组织切片的上一组或下一组切片，其中，参考肾组织切片可在样本肾组织切片采集连续变量之前或之后完成染色处理。
进一步地优化方案，染色处理包括免疫组织化学染色，特殊染色，HE染色等。
进一步地优化方案，训练数据库由训练数据和分类标签组成，其中，训练数据由阳性变量和阴性变量组成，分类标签为0或1的整数值，1的整数值代表对应训练数据中的阳性变量，0的整数值代表对应训练数据中的阴性变量。
进一步地优化方案，应用训练数据库训练数学模型，形成校验模型。将光谱数据输入至校验模型时，该模型可以输出光谱数据是阳性变量的概率，该概率值为0至1的浮点数值。数学模型架构由A模块，B模块，C模块及D模块连接组成，D模块的输出值为数学模型的输出值。
进一步地优化方案，A模块由连续3个卷积核为3×1的卷积层，1个池化层，连续3个卷积核为2×1的卷积层连接组成。
进一步地优化方案，B模块由连续4个卷积核为3×1的卷积层，连续6个卷积核为2×1的卷积层和连续3个卷积核为5×1的卷积层连接组成。
进一步地优化方案，C模块由A模块输出值的向量值，B模块中连续4个卷积核为3×1的卷积层输出值的向量值，B模块中连续6个卷积核为2×1的卷积层的向量值，B模块的输出值的向量值共同拼接而成的向量值。
进一步地优化方案，D模块的输出值为C模块输出值，维度为64的全连接层，维度为2的全连接层组成。
进一步地优化方案，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量，包括：
获取预测肾组织切片中的肾小球或肾小管变量和背景变量，应用校验模型获取肾小球或肾小管变量是否为阳性变量的概率值，根据特定阈值确定阳性变量和阴性变量；
将获得的预测肾组织切片中的阳性变量，阴性变量及背景变量按三种不同像素值分配至对应的网格区域形成虚拟成像图片，能够更为直观地观察肾小球或肾小管的病变区域。其中，虚拟成像图片宽和高像素数量与预测肾组织切片中肾小球或肾小管区域的网格数量相一致。
将肾小球或肾小管变量输入至校验模型后输出肾小球或肾小管变量为阳性变量的概率值，当概率值大于或等于特定阈值时，则认定预测连续变量为阳性变量，否则为阴性变量，特定阈值为大于0且小于1的浮点数值。
进一步地优化方案，虚拟成像的宽由m个像素和高由n个像素构成。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种用于法医鉴定的糖尿病检测装置，其特征在于，包括：
预处理系统，用于对样本肾组织切片进行处理，获得初始处理数据；
模型训练系统，用于将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库；
检测分析系统，用于根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告。
2.根据权利要求1所述的用于法医鉴定的糖尿病检测装置，其特征在于，
所述预处理系统包括样本网格化模块、样本采集模块、数据去噪模块、数据采集模块；
所述样本网格化模块用于对样本肾组织切片中的肾小球或肾小管区域进行虚拟网格划分，获得网格区域；
所述样本采集模块用于提取所述网格区域内肾组织的能够反映大分子物质的含量和结构特征的连续变量；
所述数据去噪模块用于获取所述连续变量中的肾小球或肾小管变量和背景变量；
所述数据采集模块用于从所述肾小球或肾小管变量中区分阳性变量和阴性变量。
3.根据权利要求1所述的用于法医鉴定的糖尿病检测装置，其特征在于，
所述模型训练系统包括数据库构建模块、模型训练模块；
所述数据库构建模块用于对阳性变量和阴性变量进行标记，形成训练数据库；
所述模型训练模块用于训练数学模型对连续变量进行分类，基于所述训练数据库对数学模型架构中的参数进行校正，输出校验模型。
4.根据权利要求1所述的用于法医鉴定的糖尿病检测装置，其特征在于，
所述检测分析系统包括样本识别模块、虚拟成像模块、显示模块；
所述样本识别模块用于识别预测肾组织切片中的肾小球或肾小管病变区域，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
所述虚拟成像模块用于观察所述肾小球或肾小管病变区域，将阳性变量、阴性变量及背景变量分别转化为阳性像素、阴性像素和背景像素，并按所述虚拟网格划分进行排列，获得虚拟成像图像；
所述显示模块用于根据所述虚拟成像图像生成法医鉴定检测报告并进行显示。
5.一种用于法医鉴定的糖尿病检测方法，其特征在于，包括：
获取样本肾组织切片并进行处理，获得初始处理数据；
将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库；
根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告。
6.根据权利要求5所述的用于法医鉴定的糖尿病检测方法，其特征在于，获取样本肾组织切片并进行处理，获得所述初始处理数据的过程包括，
对样本肾组织切片中的肾小球或肾小管区域进行虚拟网格划分，获得网格区域；
提取所述网格区域内肾组织的能够反映大分子物质的含量和结构特征的连续变量；
对所述连续变量进行分类获得肾小球或肾小管变量和背景变量；
对所述肾小球或肾小管变量进行识别筛选获得阳性变量和阴性变量。
7.根据权利要求6所述的用于法医鉴定的糖尿病检测方法，其特征在于，对所述肾小球或肾小管变量进行识别筛选获得阳性变量和阴性变量的过程包括，
将所述样本肾组织切片与参考肾组织切片的网格区域进行对应，根据所述参考肾组织切片中的肾小球或肾小管病变及正常区域，分别提取所述样本肾组织切片中肾小球或肾小管变量的阳性变量和阴性变量。
8.根据权利要求7所述的用于法医鉴定的糖尿病检测方法，其特征在于，
所述参考肾组织切片通过染色处理获得；
所述染色处理包括免疫组织化学染色，特殊染色，HE染色；
当所述参考肾组织切片等于所述样本肾组织切片，所述参考肾组织切片待连续变量提取后进行所述染色处理；
当所述参考肾组织切片来源于所述样本肾组织切片的上一组或下一组切片，所述参考肾组织切片在所述样本肾组织切片采集连续变量之前或之后完成染色处理。
9.根据权利要求5所述的用于法医鉴定的糖尿病检测方法，其特征在于，将所述初始处理数据输入卷积神经网络模型进行训练，获得目标处理数据，基于所述目标处理数据获得训练数据库之后还包括，
分别对肾小球或肾小管变量中的阳性变量和阴性变量进行标记，形成训练数据库；
通过训练数学模型对连续变量进行分类，基于所述训练数据库对数学模型架构中的参数进行校正，获得校验模型。
10.根据权利要求5所述的用于法医鉴定的糖尿病检测方法，其特征在于，根据所述训练数据库中的目标处理数据对样本肾组织切片进行糖尿病检测，生成并显示法医鉴定检测报告的过程包括，
识别预测肾组织切片中的肾小球或肾小管病变区域，通过校验模型识别肾小球或肾小管变量是否为阳性变量或阴性变量；
将所述肾小球或肾小管病变区域中的阳性变量、阴性变量及背景变量分别转化为阳性像素、阴性像素和背景像素，并按虚拟网格划分进行排列，获得虚拟成像图像；
根据所述虚拟成像图像生成法医鉴定检测报告并进行显示。
CN202210870985.8A 2022-07-22 2022-07-22 一种用于法医鉴定的糖尿病检测装置及方法 Active CN115240000B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210870985.8A CN115240000B (zh) 2022-07-22 2022-07-22 一种用于法医鉴定的糖尿病检测装置及方法
US18/355,386 US12002209B2 (en) 2022-07-22 2023-07-19 Diabetes detection device and method for forensic identification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210870985.8A CN115240000B (zh) 2022-07-22 2022-07-22 一种用于法医鉴定的糖尿病检测装置及方法

Publications (2)

Publication Number Publication Date
CN115240000A true CN115240000A (zh) 2022-10-25
CN115240000B CN115240000B (zh) 2023-05-02

Family

ID=83675172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210870985.8A Active CN115240000B (zh) 2022-07-22 2022-07-22 一种用于法医鉴定的糖尿病检测装置及方法

Country Status (2)

Country Link
US (1) US12002209B2 (zh)
CN (1) CN115240000B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060223122A1 (en) * 2005-03-08 2006-10-05 Agnes Fogo Classifying and predicting glomerulosclerosis using a proteomics approach
CN109961059A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统
CN111192678A (zh) * 2019-10-31 2020-05-22 上海杏脉信息科技有限公司 病理显微图像诊断、模型训练方法、装置、设备及介质
CN111653362A (zh) * 2020-06-08 2020-09-11 路琪 基于增量式神经网络模型的高血压肾病预测系统及方法
CN111798416A (zh) * 2019-06-20 2020-10-20 太原理工大学 基于病理图像与深度学习的肾小球智能检测方法及系统
US20210150701A1 (en) * 2017-06-15 2021-05-20 Visiopharm A/S Method for training a deep learning model to obtain histopathological information from images
US20210158524A1 (en) * 2019-11-27 2021-05-27 Case Western Reserve University Deep learning-based multi-site, multi-primitive segmentation for nephropathology using renal biopsy whole slide images
CN113393454A (zh) * 2021-07-02 2021-09-14 北京邮电大学 活检组织中病理目标实例分割方法和装置
WO2021263000A2 (en) * 2020-06-24 2021-12-30 F. Hoffmann-La Roche Ag Machine learning based medical data checker
WO2022015819A1 (en) * 2020-07-15 2022-01-20 Genentech, Inc. Assessing heterogeneity of features in digital pathology images using machine learning techniques
CN114037624A (zh) * 2021-10-27 2022-02-11 成都大学附属医院 一种用于糖尿病肾脏病变分类的图像增强方法及设备
CN114399764A (zh) * 2021-12-29 2022-04-26 宁波江丰生物信息技术有限公司 一种病理切片的扫描方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022534157A (ja) * 2019-05-29 2022-07-28 ライカ バイオシステムズ イメージング インコーポレイテッド 組織学的画像および術後腫瘍辺縁評価における腫瘍のコンピュータ支援レビュー

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060223122A1 (en) * 2005-03-08 2006-10-05 Agnes Fogo Classifying and predicting glomerulosclerosis using a proteomics approach
US20210150701A1 (en) * 2017-06-15 2021-05-20 Visiopharm A/S Method for training a deep learning model to obtain histopathological information from images
CN109961059A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统
CN111798416A (zh) * 2019-06-20 2020-10-20 太原理工大学 基于病理图像与深度学习的肾小球智能检测方法及系统
CN111192678A (zh) * 2019-10-31 2020-05-22 上海杏脉信息科技有限公司 病理显微图像诊断、模型训练方法、装置、设备及介质
US20210158524A1 (en) * 2019-11-27 2021-05-27 Case Western Reserve University Deep learning-based multi-site, multi-primitive segmentation for nephropathology using renal biopsy whole slide images
CN111653362A (zh) * 2020-06-08 2020-09-11 路琪 基于增量式神经网络模型的高血压肾病预测系统及方法
WO2021263000A2 (en) * 2020-06-24 2021-12-30 F. Hoffmann-La Roche Ag Machine learning based medical data checker
WO2022015819A1 (en) * 2020-07-15 2022-01-20 Genentech, Inc. Assessing heterogeneity of features in digital pathology images using machine learning techniques
CN113393454A (zh) * 2021-07-02 2021-09-14 北京邮电大学 活检组织中病理目标实例分割方法和装置
CN114037624A (zh) * 2021-10-27 2022-02-11 成都大学附属医院 一种用于糖尿病肾脏病变分类的图像增强方法及设备
CN114399764A (zh) * 2021-12-29 2022-04-26 宁波江丰生物信息技术有限公司 一种病理切片的扫描方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CRISTIAN PALMIERE ET.AL: "Postmortem diagnosis of diabetes mellitus and its complications" *
卓莉等: "人工智能在肾脏病理诊断中的应用" *
孙兴旺等: "大鼠早期糖尿病肾小球及肾小管的动态病理变化" *

Also Published As

Publication number Publication date
US20240029255A1 (en) 2024-01-25
US12002209B2 (en) 2024-06-04
CN115240000B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
US7027627B2 (en) Medical decision support system and method
CN103528617B (zh) 一种座舱仪表自动识别和检测方法及装置
KR102498686B1 (ko) 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들
CN110969204B (zh) 基于磁共振图像与数字病理图像融合的样本分类系统
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN110796661B (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN110189293A (zh) 细胞图像处理方法、装置、存储介质及计算机设备
CN112132166A (zh) 一种数字细胞病理图像智能分析方法、系统及装置
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN112381164A (zh) 一种基于多分支注意力机制的超声图像分类方法和装置
CN110807754B (zh) 基于深度语义分割的真菌显微图像分割检测方法及系统
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统
CN112784924A (zh) 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法
CN117011593A (zh) 一种基于深度学习的尿蛋白自动识别和分类方法
CN115661152B (zh) 基于模型预测的目标发展情况分析方法
CN115240000B (zh) 一种用于法医鉴定的糖尿病检测装置及方法
EP3757872A1 (en) Scanning/pre-scanning quality control of slides
CN116363104A (zh) 一种具有影像医学用自动诊断设备及系统
CN113160261B (zh) 一种用于oct图像角膜层分割的边界增强卷积神经网络
Yao et al. A deep learning-based approach for fully automated segmentation and quantitative analysis of muscle fibers in pig skeletal muscle
CN111312372A (zh) 医学图像标准测试数据集的建立方法及装置
JP2022189096A (ja) 情報処理装置、情報処理方法、コンピュータプログラム、及び学習モデルの生成方法
CN112926602A (zh) 一种基于可视化算法的岩石岩性分析方法、装置及设备

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