[发明专利]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

说明书

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。

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。