基于高光谱和深度学习的肾小球区域精准检测方法及系统

1.本发明涉及一种基于高光谱和深度学习的肾小球区域精准检测方法及系统，属于信息通讯工程的信息与信号处理领域。


背景技术：

2.慢性肾脏病(chronic kidney disease,ckd)是全球性的公共卫生问题，其发病率超过10％。在ckd中，膜性肾病(membranousnephropathy,mn)是导致成人肾病综合征的一个常见病因。膜性肾病中，以iga和补体c3为主的沉积于肾小球系膜区的肾小球疾病，称为iga肾病(iga nephropathy)。iga肾病有明显的区域性分布，亚洲地区为高发区，占肾活检病例的30％-40％。
3.传统的诊断方式是根据医生的临床经验主观阅片，但是经验难以传承，不具备智能性。另外，我国病理医生缺口在10万人次以上，有读片效力的医生需要每年阅片1000次以上，超过五年的经验积累。由于医疗资源区域分配不均衡，偏远地区的医生缺乏阅片机会，常因阅片不准导致病情延误。


技术实现要素：

4.为解决上述技术问题，本发明基于高光谱成像技术与深度学习，设计了一种肾小球区域的精准检测方法，实现客观阅片，即定量化分析。
5.一种基于高光谱和深度学习的肾小球区域精准检测方法，包括以下步骤：
6.步骤1.获取已标注的高光谱显微图像；
7.步骤1.1.肾脏组织病理切片制备；
8.步骤1.2.高光谱显微成像；
9.步骤1.3.手动定位病理图像中感兴趣的区域(系膜基质和与其关联的毛细血管袢)；
10.步骤1.4.使用envi5.3标注系膜基质和与其关联的毛细血管袢区域；
11.步骤2.基于区域标注信息，对实例分割网络进行训练，所述训练过程包括：
12.步骤2.1.编写全部图片获取程序，读取红绿两色tiff格式图片数据；
13.步骤2.2.将高光谱辐射观测值归一化，并进行均值滤波降噪；
14.步骤2.3.编写数据获取程序，读取数据和标志文件；
15.步骤2.4.以病人为单位，从23位患者的肾脏组织病理切片中随机选取3人为训练集，3人为测试集，剩余17人为验证集，生成若干份随机划分的数据集文件(高光谱图像总数为165张)；
16.步骤2.5.编写分类模型的训练函数程序，选择一份数据集文件，并读取训练集、测试集和验证集；
17.步骤2.6.采用使用支持向量机(support vector machine,svm)分类器，同时选择一组超参数，循环利用训练集训练模型，验证集评价模型，以分类验证精度作为评价标准，
选择最好的模型；
18.步骤2.7.利用测试机测试模型，引入混淆矩阵，对测试结果进行评价，输出评价结果；
19.步骤3.获取待分析图片，将其输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置；
20.步骤3.1.肾脏组织病理切片制备；
21.步骤3.2.高光谱显微成像；
22.步骤3.3.程序选定感兴趣区域；
23.步骤3.4.将待分析图片输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置；
24.步骤4.计算各个系膜基质和与其关联的毛细血管袢区域的面积比；
25.步骤5.输出彩色病理图文报告；
26.本发明采用人工标记病理图像的病变和非病变区域，经过去噪处理后，使用一种按误差逆传播算法训练的多层前馈网络进行训练，得到能够识别两区域的模型，并确定最优参数。使用最优参数下的模型，对病理图像选定的标记区域进行识别，分出病变和非病变区域。最后，计算面积比，生成投影图像，作为医生诊断的参考依据。
27.本发明还提供一种基于高光谱和深度学习的肾小球区域精准检测系统，用于上述方法，包括获取单元、训练单元、检测单元、计算单元和输出单元；
28.其中：获取单元是获取envi5.3标注后的高光谱显微图像；
29.训练单元是训练实例分割网络，包括图像的预处理，特征提取和分类；
30.检测单元是检测待分析的肾病理图像的感兴趣区域；
31.计算单元是计算系膜基质与其关联的毛细血管袢区域的面积比；
32.输出单元是输出检测结果。
33.本发明还提一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
34.一种电子设备，包括：
35.存储器，其上存储有计算机程序；
36.处理器，用于执行所述存储器中的所述计算机程序，以实现所述方法的步骤。
37.本发明可以将推扫式高光谱成像系统soc-710与生物显微镜cx31rtsf连接，构成显微高光谱成像系统。
38.本发明采用的深度学习可以构建具有很多层的机器学习模型对训练数据进行特征学习，通过组合低层特征形成更加抽象的高层表示属性类别或特征，自动计算系膜基质与其关联的毛细血管袢区域的面积比，辅助医生确定病理分级，大大提高诊断效率。
39.本发明将根据医生的临床经验主观阅片变为根据计算机的深度学习客观阅片——自动划分高光谱图像上的系膜基质和与其关联的毛细血管袢，计算二者的面积比，实现定量化分析。此外，高光谱成像技术是一种融合光学成像和光谱学的混合模式，生成包含空间和光谱信息的三维数据立方体，具有“图谱合一”的特点。高光谱显微成像技术能够在组织细胞形态未发生明显变化之前获取到细胞的异常信息，具有超前性。
40.本发明与现有技术相比，具有以下优点：
41.一、高光谱是新型成像技术，能够得到传统成像无法获取的信息。本发明使用的高光谱成像仪能够获取包含128个波段的图像，相较于普通的rgb图像得到更多的信息。它能够在组织形态没有发生变化以前，感知潜在的病变信息，为医生提供参考。
42.二、智能。本发明执行人工智能算法，提取、应用获取的信息。初始阶段，使用线性分类器训练模型，加入验证集，并确定最佳参数：c＝7000，g＝0.008，b＝1，h＝0。小样本时，其具有良好的性能，速度较快，但是运行时，被发现效果不如按误差逆传播算法训练的多层前馈网络。本发明使用后者的优势在于：实现了从输入到输出的映射功能，非常适合求解内部机制复杂的问题；通过学习含有正确答案的实例集，自动提取“合理的”求解规则，即具有自学习能力；具有一定的推广、概括能力。
43.三、精准。传统方法主观且存在误差，智能化需要数字化，本发明为量化分析提供了可能。
附图说明
44.图1为本发明系统结构示意图。
45.图2为本发明方法流程图。
46.图3为实施例人工标记系膜基质及关联毛细血管袢位置图。
47.图4为实施例程序选定感兴趣区域示意图。
48.图5为实施例机器识别系膜基质及关联毛细血管袢位置图。
49.图6为实施例输出的彩色病理图文报告示意图。
具体实施方式
50.结合实施例说明本发明的具体技术方案。
51.如图1所示，本发明提供一种基于高光谱和深度学习的肾小球区域精准检测系统，包括获取单元、训练单元、检测单元、计算单元和输出单元，其中：获取单元是获取envi5.3标注后的高光谱显微图像；训练单元是训练实例分割网络，包括图像的预处理，特征提取和分类；检测单元是检测待分析的肾病理图像的感兴趣区域；计算单元是计算系膜基质与其关联的毛细血管袢区域的面积比；输出单元是输出检测结果。
52.本发明将推扫式高光谱成像系统soc-710与生物显微镜cx31rtsf连接，构成显微高光谱成像系统。
53.如图2所示，一种基于高光谱和深度学习的肾小球区域精准检测方法，具体实施以下步骤：
54.步骤1.获取已标注的高光谱显微图像；
55.步骤1.1.肾脏组织病理切片制备；
56.步骤1.2.高光谱显微成像；
57.步骤1.3.手动定位病理图像中感兴趣的区域(系膜基质和与其关联的毛细血管袢)；
58.步骤1.4.使用envi5.3标注系膜基质和与其关联的毛细血管袢区域，如图3所示；
59.步骤2.基于区域标注信息，对实例分割网络进行训练，所述训练过程包括：
60.步骤2.1.编写全部图片获取程序，读取红绿两色tiff格式图片数据；
61.步骤2.2.将高光谱辐射观测值归一化为描述病理切片固有特性的反射值，并进行均值滤波降噪，图像降噪可有效减小噪声，提升图像质量，生成处理后的数据和标注文件；
62.步骤2.3.编写数据获取程序，读取数据和标志文件；
63.步骤2.4.以病人为单位，从23位患者肾脏组织病理切片中随机选取3人为训练集，3人为测试集，剩余17人为验证集，生成若干份随机划分的数据集文件(高光谱图像总数为165张)；
64.步骤2.5.编写分类模型的训练函数程序，选择一份数据集文件，并读取训练集、测试集和验证集；
65.步骤2.6.采用使用支持向量机(support vector machine,svm)分类器，通过非线性变换将输入数据映射到某个高维空间，并在高维空间中求取最优分界面，同时选择一组超参数，循环利用训练集训练模型，验证集评价模型，以分类验证精度作为评价标准，选择最好的模型；
66.步骤2.7.利用测试机测试模型，引入混淆矩阵，对测试结果进行评价，输出评价结果；
67.步骤3.获取待分析图片，将其输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置；
68.步骤3.2.肾脏组织病理切片制备；
69.步骤3.3.高光谱显微成像；
70.步骤3.4.程序选定感兴趣区域，如图4所示；
71.步骤3.4.将待分析图片输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置，如图5所示；
72.步骤4.计算各个系膜基质和与其关联的毛细血管袢区域的面积比；
73.步骤5.输出彩色病理图文报告，如图6所示。
74.本发明技术创新在于：
75.本发明使用了高光谱成像技术，能够获取肾脏病理切片的详细空间和光谱信息；本发明采取了基于自动化目标检测的深度卷积神经网络，实现了系膜基质和与其关联的毛细血管袢区域的划分；本发明是处理具体图片后得到结果，所用时间较短，准确率能够达到89.287141％以上；本发明显示结果直观、方便。
76.本发明需要注意的设计和实施原则有：
77.在按误差逆传播算法训练的多层前馈网络训练模型时，使用的训练集样本点为818317个，使用的测试集样本点为215330个。
78.该模型的隐藏层数目为1，该隐藏层的神经元个数为5；输入层的节点数为128，输出层的节点数为1。
79.训练函数被设置为拟牛顿反向传播算法。
80.最终误差结果为0.0516。
81.因为按误差逆传播算法训练的多层前馈网络的输出结果为连续的，但是本发明所需的结果为离散的整数(1或者2)，所以对输出结果进行处理：如果大于1.5，认为输出结果为2；如果小于等于1.5，则认为输出结果为1。
82.还提供一种计算机设备，包括存储器、处理器和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一种基于高光谱和深度学习的肾小球区域精准检测方法中的步骤。
83.一种计算机可读存储介质，所述可读存储介质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一种基于高光谱和深度学习的肾小球区域精准检测方法中的步骤。
84.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
85.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
86.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
87.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
88.最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
89.以上所述实施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。