CN116245881A - 一种基于全视野识别的肾间质纤维化评估方法及系统 - Google Patents
一种基于全视野识别的肾间质纤维化评估方法及系统 Download PDFInfo
- Publication number
- CN116245881A CN116245881A CN202310527246.3A CN202310527246A CN116245881A CN 116245881 A CN116245881 A CN 116245881A CN 202310527246 A CN202310527246 A CN 202310527246A CN 116245881 A CN116245881 A CN 116245881A
- Authority
- CN
- China
- Prior art keywords
- interstitial fibrosis
- renal interstitial
- kidney
- areas
- region
- 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
Links
- 206010023421 Kidney fibrosis Diseases 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 32
- 210000005084 renal tissue Anatomy 0.000 claims abstract description 86
- 206010016654 Fibrosis Diseases 0.000 claims abstract description 64
- 230000004761 fibrosis Effects 0.000 claims abstract description 64
- 210000003734 kidney Anatomy 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000009792 diffusion process Methods 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000011282 treatment Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000001788 irregular Effects 0.000 claims description 9
- 238000010186 staining Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004043 dyeing Methods 0.000 claims description 5
- 210000001519 tissue Anatomy 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 208000017169 kidney disease Diseases 0.000 description 14
- 241001465754 Metazoa Species 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 208000020832 chronic kidney disease Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010061481 Renal injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 208000037806 kidney injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于肾间质检测技术领域,具体涉及一种基于全视野识别的肾间质纤维化评估方法及系统。本发明能够在全视野图像中标定出多个肾间质纤维化区域,并且还能够逐一计算出这些肾间质纤维化区域的面积,最后将其汇总并与肾组织切片的总面积进行比较,便可得到肾间质纤维化区域的占比率,再根据肾间质纤维化区域的占比率可以确定相应的评分,而且此过程中还对肾组织纤维化区域其进行了趋势分析,为医生的诊断提供更详细的客观数据,得到准确的评分报告,为医生提供一个客观的诊断依据,有效的规避了医生误诊误判的现象。
Description
技术领域
本发明属于肾间质检测技术领域,具体涉及一种基于全视野识别的肾间质纤维化评估方法及系统。
背景技术
近年来人工智能发展十分迅速,为医学进步带来许多机遇。随着肾脏病在世界范围内患病率逐年上升,早发现、早诊断、早治疗对于改善肾脏病的预后十分关键。人工智能在肾脏病的诊断、治疗、预后及预测等方面提供了有效帮助,能减轻肾脏病诊治的工作负担,提高肾脏病管理的效率,但是肾脏不仅是人体组织中的重要器官,在动物界中,其也是必不可少的器官,例如,在研究人体病理时,往往会先行使用小鼠进行实验,在确定安全的前提下,方能够投入人体使用,再如,一些宠物或者保护动物在出现肾脏病时,缺乏相应的医疗数据支持,这就会导致其治愈率较低,故而在利用人工智能研究肾脏病时,应该加入其它动物的肾脏组织进行全面的分析。
在肾脏病理中,肾小管间质纤维化识别和判定在肾脏病的诊断中尤为重要。但是仍未有一个十分有效的客观评估肾小管间质纤维化的方法,其中,肾间质需要评估纤维化,以此来评估患有肾脏疾病患者的肾衰竭程度,传统的方式多是根据肾脏组织切片的扫描图片,结合研究人员的主观判断来评定病患肾脏疾病的发展程度,但是人为的主观判断难免会存在较大的误差,从而就可能导致误诊误判的现象发生,基于此,本方案提出了一种能够在全视野前提下,准确评估肾间质纤维化程度的方法,为肾脏病理医生提供客观的诊断描述,提高肾脏病病理诊断的准确率。
发明内容
本发明的目的是提供一种基于全视野识别的肾间质纤维化评估方法及系统,能够在全视野图像中标定出多个肾间质纤维化区域,并对其进行趋势分析,得到准确的评分报告,为医生提供一个客观的诊断依据。
本发明采取的技术方案具体如下:
一种基于全视野识别的肾间质纤维化评估方法,包括:
获取原始肾组织切片,并对所述肾组织切片进行全局扫描处理,得到所述肾组织切片的原始全视野图像;
对原始肾组织切片进行染色处理,得到所述肾组织切片的待识别全视野图像;
将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域,其中,所述肾间质纤维化区域在输出时高亮显示;
获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
依据所述肾组织切片的标准面积,构建纤维化评估区间,并与所述肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
依据所述原始肾组织的扫描顺序,对所有所述肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以所述扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
获取趋势评估区间,且与所述扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
汇总所述第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
在一种优选方案中,对所述原始组织切片进行染色时,采用Masson三色染色法;
其中,所述肾间质纤维化区域呈紫色和蓝色。
在一种优选方案中,所述将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域的步骤,包括:
获取多组肾组织切片图像并标定为训练图像;
将训练图像逐一进行滤波、卷积、池化以及连接,并加载为训练集;
获取多组肾组织切片图像并标定为测试图像,再将所述测试图像输入至训练集中进行训练,得到特征提取模型,其中,每组所述测试图像的测试次数设置为3~5次;
构建通信通道,并将待识别全视野图像通过通信通道传输至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域。
在一种优选方案中,所述肾间质纤维化区域在输出时高亮显示时,采用交互式分割算法对前景图像和背景图像进行分离。
在一种优选方案中,所述获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域的步骤,包括:
获取所有高亮显示的肾间质纤维化区域的图像,并进行高斯滤波处理,得到区域图像;
基于Canny算法获取所述区域图像的边缘特征点,并跟踪所述肾间质纤维化区域边缘,且同步生成跟踪曲线;
将所有跟踪曲线组成的封闭图形生成二值化的多边形区域。
在一种优选方案中,所述将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积的步骤,包括:
从所述预估模型中获取虚拟坐标系,并将所述多边形区域输入至虚拟坐标系中;
获取所述多边形区域中相邻边缘特征点的像素坐标;
从所述预估模型中获取目标函数;
将所述像素坐标输入至目标函数中,得到多边形区域的面积,并输出为预估结果,且确定为肾间质纤维化面积。
在一种优选方案中,所述获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向的步骤,包括:
获取所有像素点的像素坐标,并确定其对应的灰度值;
将肾间质纤维化区域划分为多个待检测区域,并计算所有待检测区域内的灰度平均值;
获取分类灰度阈值;
判定低于分类灰度阈值的待检测区域为低灰度区,高于分类灰度值的待检测区域为高灰度区。
在一种优选方案中,计算所述肾间质纤维化区域的扩散趋势值的步骤包括:
以两条边缘延长线的交点为起点,构建等分延长线;
获取所有与等分延长线相交的待检测区域,以及所述待检测区域对应的灰度平均值,并标定为趋势评估量;
从所述趋势变化模型中获取评估函数;
将所有趋势评估量输入至评估函数中,得到肾间质纤维化区域的扩散趋势值。
本发明还提供了,一种基于全视野识别的肾间质纤维化评估系统,应用于上述的基于全视野识别的肾间质纤维化评估方法,包括:
获取模块,所述获取模块用于获取原始肾组织切片,并对所述肾组织切片进行全局扫描处理,得到所述肾组织切片的原始全视野图像;
染色模块,所述染色模块用于对原始肾组织切片进行染色处理,得到所述肾组织切片的待识别全视野图像;
特征提取模块,所述特征提取模块用于将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域,其中,所述肾间质纤维化区域在输出时高亮显示;
计算模块,所述计算模块用于获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
第一评估模块,所述第一评估模块用于依据所述肾组织切片的标准面积,构建纤维化评估区间,并与所述肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
排序模块,所述排序模块用于依据所述原始肾组织的扫描顺序,对所有所述肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
趋势预估模块,所述趋势预估模块用于获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以所述扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
第二评估模块,所述第二评估模块用于获取趋势评估区间,且与所述扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
汇总模块,所述汇总模块用于汇总所述第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
以及,一种基于全视野识别的肾间质纤维化评估终端,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于全视野识别的肾间质纤维化评估方法。
本发明取得的技术效果为:
本发明能够在全视野图像中标定出多个肾间质纤维化区域,并且还能够逐一计算出这些肾间质纤维化区域的面积,最后将其汇总并与肾组织切片的总面积进行比较,便可得到肾间质纤维化区域的占比率,再根据肾间质纤维化区域的占比率可以确定相应的评分,而且此过程中还对肾组织纤维化区域其进行了趋势分析,为医生的诊断提供更详细的客观数据,得到准确的评分报告,为医生提供一个客观的诊断依据,有效的规避了医生误诊误判的现象。
附图说明
图1是本发明的实施例所提供的方法流程图;
图2是本发明的实施例所提供的系统模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
请参阅图1和图2所示,本发明提供了一种基于全视野识别的肾间质纤维化评估方法,包括:
S1、获取原始肾组织切片,并对肾组织切片进行全局扫描处理,得到肾组织切片的原始全视野图像;
S2、对原始肾组织切片进行染色处理,得到肾组织切片的待识别全视野图像;
S3、将待识别全视野图像输入至特征提取模型中,得到肾组织切片中的所有肾间质纤维化区域,其中,肾间质纤维化区域在输出时高亮显示;
S4、获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
S5、依据肾组织切片的标准面积,构建纤维化评估区间,并与肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
S6、依据原始肾组织的扫描顺序,对所有肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
S7、获取肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
S8、获取趋势评估区间,且与扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
S9、汇总第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
如上述步骤S1-S9所述,肾脏切片是现代肾脏医学最重要的领域之一,它对于诊断肾脏疾病,预测疾病病程,以及选择适当的治疗有相当的重要性,常见的有肾间质纤维化,其几乎是所有慢性肾脏疾病发展的最终结果,与慢性肾衰竭进展密切相关,是导致终末期肾衰竭的主要病因,故而对肾损伤或者患有慢性肾脏疾病的病患来说,对其肾脏组织切片进行取样分析是必不可少的操作,传统的方式多是根据肾脏组织切片的扫描图片,结合研究人员的主观判断来评定病患肾脏疾病的发展程度,但是人为的主观判断难免会存在较大的误差,从而就可能导致误诊误判的现象发生,基于此,本实施例依靠图片识别技术判定肾间质纤维化的面积,再结合趋势分析,综合对肾组织切片进行评估,得到准确的评估报告,在检测之前,首先扫描原始肾组织切片的全视野图像,并进行留存,防止后续染色之后无法调用原始的肾组织切片的影像,之后再对肾组织切片进行染色处理,对原始组织切片进行染色时,采用Masson三色染色法,其中,肾间质纤维化区域呈紫色和蓝色,当然,也可以用其它能够区分肾组织纤维化区域的染色方式进行染色处理,本方案对此就不加以过度的赘述与限制,染色之后的肾组织切片中,肾间质纤维化区域的分布可能会存在多个且相互之间并不相连的区域,这时就需要计算出各个肾间质纤维化区域的面积,以此来判断在肾组织切片中的占比量,在此,需要说明的是,对于肾间质纤维化区域占比在5%以下的情况,其输出结果精确为1%~5%,至于肾间质纤维化区域占比在5%以上的情况,则每隔5%确定一个评估区间,以此来判定肾组织切片的纤维化程度,在计算各个肾间质纤维化区域的面积时,需要将其输入至面积预估模型中,其既可以单独计算每个肾间质纤维化区域的面积,具体可以对所有的肾间质纤维化区域进行排序并标号,方便医生准确的定位到具体的肾间质纤维化区域,也能够对所有肾间质纤维化区域的面积进行求和处理,具体可根据使用需求进行设置,当然,上述两种计算方式也可并存,方便医生根据不同的情况进行选择性的使用,在得到所有肾间质纤维化区域的面积之后,便可对其进行占比计算,并根据纤维化评估区间确定肾间质的第一评分结果,最后通过对肾间质纤维化区域进行趋势分析,得到肾间质纤维化区域的扩散方向以及扩散趋势,具体通过虚拟延长线的方式进行辅助确定,之后根据趋势评估区间判断肾间质纤维化的第二评分结果,最后汇总第一评分结果和第二评分结果且生成评分报告即可。
在一个较佳的实施方式中,将待识别全视野图像输入至特征提取模型中,得到肾组织切片中的所有肾间质纤维化区域的步骤,包括:
S301、获取多组肾组织切片图像并标定为训练图像;
S302、将训练图像逐一进行滤波、卷积、池化以及连接,并加载为训练集;
S303、获取多组肾组织切片图像并标定为测试图像,再将测试图像输入至训练集中进行训练,得到特征提取模型,其中,每组测试图像的测试次数设置为3~5次;
S304、构建通信通道,并将待识别全视野图像通过通信通道传输至特征提取模型中,得到肾组织切片中的所有肾间质纤维化区域。
如上述步骤S301-S304所述,在特征提取模型构建时,需要大量的样本进行训练,基于卷积神经网络系统进行训练,当然,针对不同的动物而言,其所需的样本也不一致,不能将不同种类的动物的肾组织切片图像样本相混合,其中,肾组织切片图像的数量不小于2000张,以保证训练模型的置信度,同时对于每组测试图像的测试次数为3~5次属于最佳,保证训练模型的准确度在95%以上,而在特征提取模型确定之后,构建相应的通信通道,在需要对待识别全视野图像中的肾间质纤维化区域进行提取时,通过通信通道上传至特征提取模型中即可确定肾组织切片中的所有肾间质纤维化区域。
在一个较佳的实施方式中,肾间质纤维化区域在输出时高亮显示时,采用交互式分割算法对前景图像和背景图像进行分离,使得前景图像更为清晰,便于辅助医生观察,锻炼医生的辨别力。
在一个较佳的实施方式中,获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域的步骤,包括:
S401、获取所有高亮显示的肾间质纤维化区域的图像,并进行高斯滤波处理,得到区域图像;
S402、基于Canny算法获取区域图像的边缘特征点,并跟踪肾间质纤维化区域边缘,且同步生成跟踪曲线;
S403、将所有跟踪曲线组成的封闭图形生成二值化的多边形区域。
如上述步骤S401-S403所述,在对肾间质纤维化区域进行高斯滤波的目的是为了让肾间质纤维化区域对应图像的平滑性,减少噪声像素影响,而后基于Canny算法获取区域图像的边缘特征点,并生成跟踪曲线,使得肾间质纤维化区域及其边缘轮廓构建为二值化的多边形区域,便于后续计算肾间质纤维化区域的面积。
在一个较佳的实施方式中,将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积的步骤,包括:
S404、从预估模型中获取虚拟坐标系,并将多边形区域输入至虚拟坐标系中;
S405、获取多边形区域中相邻边缘特征点的像素坐标;
S406、从预估模型中获取目标函数;
S407、将像素坐标输入至目标函数中,得到多边形区域的面积,并输出为预估结果,且确定为肾间质纤维化面积。
如上述步骤S404-S407所述,在计算所有肾间质纤维化区域对应的多边形区域的面积时,通过虚拟坐标系的方式标定所有相邻边缘特征点的像素坐标,将其输入至目标函数:,式中,/>表示肾间质纤维化面积,/>表示像素坐标的数量,/>表示区间1~/>中所有像素坐标的横坐标,/>表示区间1~/>中所有像素坐标的纵坐标,基于此式,便可逐一获取每个肾间质纤维化区域的面积,之后再利用求和公式所有肾间质纤维化区域的总面积即可,相应的也就能够较易的计算出肾间质纤维化区域的占比率,而后与纤维化评估区间进行比较,并输出对应的第一评分结果,例如,纤维化评估区间为(0,5%)对应的第一评分结果为5,纤维化评估区间为(5%,10%)对应的第一评分结果为10,以此类推,在确定肾间质纤维化区域的占比率之后,能够得到与其对应的第一评分结果。
在一个较佳的实施方式中,获取肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到肾间质纤维化区域的扩散方向的步骤,包括:
S701、获取所有像素点的像素坐标,并确定其对应的灰度值;
S702、将肾间质纤维化区域划分为多个待检测区域,并计算所有待检测区域内的灰度平均值;
S703、获取分类灰度阈值;
S704、判定低于分类灰度阈值的待检测区域为低灰度区,高于分类灰度值的待检测区域为高灰度区。
如上述步骤S701-S704所述,在肾间质纤维化区域确定之后,基于虚拟坐标系,确定肾间质纤维化区域内的像素坐标,并且计算出各个像素坐标的灰度值,而后将其划分为多个待检测区域,得到每个待检测区域的灰度平均值,其中,在选取待检测区域的灰度平均值时,需要基于分类灰度阈值对灰度平均值进行分类,得到低灰度区和高灰度区,并以灰度平均值最大的待检测区域为起点构建虚拟延长线,结束节点为低灰度区内的灰度平均值。
在一个较佳的实施方式中,计算肾间质纤维化区域的扩散趋势值的步骤包括:
S705、以两条边缘延长线的交点为起点,构建等分延长线;
S706、获取所有与等分延长线相交的待检测区域,以及待检测区域对应的灰度平均值,并标定为趋势评估量;
S707、从趋势变化模型中获取评估函数;
S708、将所有趋势评估量输入至评估函数中,得到肾间质纤维化区域的扩散趋势值。
如上述步骤S705-S708,在确定扩散趋势时,为减少计算量,且准确的反映出肾间质纤维化区域的扩散趋势,从多组数据中选取居中的待检测区域为依据进行计算,具体是以边缘延长线的交点(即灰度平均值最大的待检测区域),而后据其构建等分延长线即可,其中,取用与等分延长线相交的待检测区域的灰度平均值为趋势评估量,再将其输入至评估函数中,其中,评估函数为:,式中,/>表示肾间质纤维化区域的扩散趋势值,/>表示待检测区域的总数量,/>表示区间1~/>内所有的灰度平均值,需要说明的是,在确定了扩散趋势值之后,通过趋势评估区间进行评定第二评分结果即可,其评定方式可参照第一评分结果的判定过程,此处就不进行举例列举和多余的赘述,最后再将第一评分结果和第二评分结果进行加权计算即可,其中,第一评分结果和第二评分结果的权重之和为1,且权重的确定由医生进行讨论并制定,本方案对其不加以详细的限制。
本发明还提供了,一种基于全视野识别的肾间质纤维化评估系统,应用于上述的基于全视野识别的肾间质纤维化评估方法,包括:
获取模块,获取模块用于获取原始肾组织切片,并对肾组织切片进行全局扫描处理,得到肾组织切片的原始全视野图像;
染色模块,染色模块用于对原始肾组织切片进行染色处理,得到肾组织切片的待识别全视野图像;
特征提取模块,特征提取模块用于将待识别全视野图像输入至特征提取模型中,得到肾组织切片中的所有肾间质纤维化区域,其中,肾间质纤维化区域在输出时高亮显示;
计算模块,计算模块用于获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
第一评估模块,第一评估模块用于依据肾组织切片的标准面积,构建纤维化评估区间,并与肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
排序模块,排序模块用于依据原始肾组织的扫描顺序,对所有肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
趋势预估模块,趋势预估模块用于获取肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
第二评估模块,第二评估模块用于获取趋势评估区间,且与扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
汇总模块,汇总模块用于汇总第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
上述中,在需要检测肾组织切片的纤维化程度时,首先需要利用染色模块对原始肾组织切片进行染色,再结合特征提取模型提取出纤维化区域,本方案采用Masson三色染色法,将纤维化的肾间质染成紫色和蓝色,在确定纤维化区域之后,利用计算模块可以准确的计算出每个肾间质纤维化区域的面积,同时也能够进行相应的求和处理,最终得以确定肾间质纤维化区域的占比率,后续再利用第一评估模块进行分析,便可得到第一评分结果,再者,本系统还提供了肾间质纤维化区域的扩散方向预估,以及扩散趋势预估的趋势预估模块,并将预估结果输入至第二评估模块中,输出第二评分结果,最后,将第一评分结果和第二评分结果进行加权求和处理,并输出为评分报告即可。
以及,一种基于全视野识别的肾间质纤维化评估终端,包括:
至少一个处理器;
以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述的基于全视野识别的肾间质纤维化评估方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于全视野识别的肾间质纤维化评估方法,其特征在于:包括:
获取原始肾组织切片,并对所述肾组织切片进行全局扫描处理,得到所述肾组织切片的原始全视野图像;
对原始肾组织切片进行染色处理,得到所述肾组织切片的待识别全视野图像;
将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域,其中,所述肾间质纤维化区域在输出时高亮显示;
获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
依据所述肾组织切片的标准面积,构建纤维化评估区间,并与所述肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
依据所述原始肾组织的扫描顺序,对所有所述肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以所述扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
获取趋势评估区间,且与所述扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
汇总所述第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
2.根据权利要求1所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:对所述原始组织切片进行染色时,采用Masson三色染色法;
其中,所述肾间质纤维化区域呈紫色和蓝色。
3.根据权利要求1所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:所述将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域的步骤,包括:
获取多组肾组织切片图像并标定为训练图像;
将训练图像逐一进行滤波、卷积、池化以及连接,并加载为训练集;
获取多组肾组织切片图像并标定为测试图像,再将所述测试图像输入至训练集中进行训练,得到特征提取模型,其中,每组所述测试图像的测试次数设置为3~5次;
构建通信通道,并将待识别全视野图像通过通信通道传输至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域。
4.根据权利要求1所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:所述肾间质纤维化区域在输出时高亮显示时,采用交互式分割算法对前景图像和背景图像进行分离。
5.根据权利要求1所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:所述获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域的步骤,包括:
获取所有高亮显示的肾间质纤维化区域的图像,并进行高斯滤波处理,得到区域图像;
基于Canny算法获取所述区域图像的边缘特征点,并跟踪所述肾间质纤维化区域边缘,且同步生成跟踪曲线;
将所有跟踪曲线组成的封闭图形生成二值化的多边形区域。
6.根据权利要求1所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:所述将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积的步骤,包括:
从所述预估模型中获取虚拟坐标系,并将所述多边形区域输入至虚拟坐标系中;
获取所述多边形区域中相邻边缘特征点的像素坐标;
从所述预估模型中获取目标函数;
将所述像素坐标输入至目标函数中,得到多边形区域的面积,并输出为预估结果,且确定为肾间质纤维化面积。
7.根据权利要求6所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:所述获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向的步骤,包括:
获取所有像素点的像素坐标,并确定其对应的灰度值;
将肾间质纤维化区域划分为多个待检测区域,并计算所有待检测区域内的灰度平均值;
获取分类灰度阈值;
判定低于分类灰度阈值的待检测区域为低灰度区,高于分类灰度值的待检测区域为高灰度区。
8.根据权利要求7所述的一种基于全视野识别的肾间质纤维化评估方法,其特征在于:计算所述肾间质纤维化区域的扩散趋势值的步骤包括:
以两条边缘延长线的交点为起点,构建等分延长线;
获取所有与等分延长线相交的待检测区域,以及所述待检测区域对应的灰度平均值,并标定为趋势评估量;
从所述趋势变化模型中获取评估函数;
将所有趋势评估量输入至评估函数中,得到肾间质纤维化区域的扩散趋势值。
9.一种基于全视野识别的肾间质纤维化评估系统,应用于权利要求1至8中任意一项所述的基于全视野识别的肾间质纤维化评估方法,其特征在于:包括:
获取模块,所述获取模块用于获取原始肾组织切片,并对所述肾组织切片进行全局扫描处理,得到所述肾组织切片的原始全视野图像;
染色模块,所述染色模块用于对原始肾组织切片进行染色处理,得到所述肾组织切片的待识别全视野图像;
特征提取模块,所述特征提取模块用于将所述待识别全视野图像输入至特征提取模型中,得到所述肾组织切片中的所有肾间质纤维化区域,其中,所述肾间质纤维化区域在输出时高亮显示;
计算模块,所述计算模块用于获取所有肾间质纤维化区域的边缘特征点,并以其为基础构建边缘线,得到多个不规则的多边形区域,且将这些多边形区域输入至面积预估模型中,输出预估结果并确定为肾间质纤维化面积;
第一评估模块,所述第一评估模块用于依据所述肾组织切片的标准面积,构建纤维化评估区间,并与所述肾间质纤维化面积进行比较,得到肾间质纤维化的第一评分结果;
排序模块,所述排序模块用于依据所述原始肾组织的扫描顺序,对所有所述肾间质纤维化区域进行排序处理,并逐一标定为0001,0002……;
趋势预估模块,所述趋势预估模块用于获取所述肾间质纤维化区域内所有像素点的灰度值,并输入至趋势变化模型中,得到所述肾间质纤维化区域的扩散方向以及扩散趋势值,其中,以所述扩散方向构建虚拟延长线,并获取两条边缘延长线,且将两条边缘延长线之间的区域确定为扩散区域;
第二评估模块,所述第二评估模块用于获取趋势评估区间,且与所述扩散趋势值进行比较,得到肾间质纤维化的第二评分结果;
汇总模块,所述汇总模块用于汇总所述第一评分结果和第二评分结果,且进行加权计算,得到肾间质纤维化的评分报告。
10.一种基于全视野识别的肾间质纤维化评估终端,其特征在于:包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任意一项所述的基于全视野识别的肾间质纤维化评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527246.3A CN116245881B (zh) | 2023-05-11 | 2023-05-11 | 一种基于全视野识别的肾间质纤维化评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527246.3A CN116245881B (zh) | 2023-05-11 | 2023-05-11 | 一种基于全视野识别的肾间质纤维化评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245881A true CN116245881A (zh) | 2023-06-09 |
CN116245881B CN116245881B (zh) | 2023-07-14 |
Family
ID=86629906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527246.3A Active CN116245881B (zh) | 2023-05-11 | 2023-05-11 | 一种基于全视野识别的肾间质纤维化评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245881B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463249A (zh) * | 2021-11-24 | 2022-05-10 | 杭州医派智能科技有限公司 | 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 |
US20220406049A1 (en) * | 2021-06-22 | 2022-12-22 | University Of Louisville Research Foundation, Inc. | Systems and methods for digital transformation of medical images and fibrosis detection |
CN115565698A (zh) * | 2022-10-26 | 2023-01-03 | 南方医科大学珠江医院 | 一种人工智能评估供肾质量的方法及系统 |
-
2023
- 2023-05-11 CN CN202310527246.3A patent/CN116245881B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220406049A1 (en) * | 2021-06-22 | 2022-12-22 | University Of Louisville Research Foundation, Inc. | Systems and methods for digital transformation of medical images and fibrosis detection |
CN114463249A (zh) * | 2021-11-24 | 2022-05-10 | 杭州医派智能科技有限公司 | 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 |
CN115565698A (zh) * | 2022-10-26 | 2023-01-03 | 南方医科大学珠江医院 | 一种人工智能评估供肾质量的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116245881B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
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 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109523535B (zh) | 一种病变图像的预处理方法 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN111967465A (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
WO2021164640A1 (zh) | 视网膜图像识别方法及装置、电子设备、存储介质 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
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 | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
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 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
CN116682109B (zh) | 一种病理显微图像的分析方法、装置、设备及存储介质 | |
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 |
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 |