[發(fā)明專利]一種基于深度學(xué)習(xí)的腎臟血管內(nèi)膜輔助檢測方法、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111362892.6
• 申請日: 2021-11-17
• 公開（公告）號: CN114298970A
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 汪太平;張敏飛
• 申請（專利權(quán)）人: 杭州醫(yī)派智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/62;G06T3/60;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務(wù)所(特殊普通合伙) 33283
• 代理人: 何碧珩;卓彩霞

本發(fā)明公開了一種基于深度學(xué)習(xí)的腎臟血管內(nèi)膜輔助檢測方法、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)，本發(fā)明的方法能夠用于檢測腎臟血管內(nèi)膜、血管內(nèi)膜是否異常，為后續(xù)的診斷與治療提供了準(zhǔn)確的依據(jù)。本發(fā)明基于深度學(xué)習(xí)的方法，使得模型具有更好的魯棒性和泛化能力，相比現(xiàn)有的檢測法能夠獲得較好的準(zhǔn)確性，并能提高檢測效率。

技術(shù)領(lǐng)域

本發(fā)明具體涉及一種基于深度學(xué)習(xí)的腎臟血管內(nèi)膜輔助檢測方法、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

腎臟是豐富的血供器官，接受大約四分之一的心輸出量。腎臟血管結(jié)構(gòu)是獨(dú)特和復(fù)雜的,保證了腎臟履行其眾多的生理功能，這些功能的異常對腎臟的疾病過程有著不同的作用。

腎臟的血液供應(yīng)來自腹主動脈分出的左、右腎動脈。腎動脈在腎門處進(jìn)入腎，分出數(shù)條腎間動脈，再分支成葉間動脈，小葉間動脈，然后沿途發(fā)出入球小動脈，進(jìn)入腎小體形成血管球，再匯成出球小動脈離開腎小體，之后又形成腎小管周圍毛細(xì)血管網(wǎng)，隨后集合成小葉間靜脈，經(jīng)各級靜脈最后回到下腔靜脈。

血管壁是指血液流過的一系列管道，除毛細(xì)血管和毛細(xì)淋巴管以外，血管壁從管腔面向外一般依次內(nèi)膜、中膜和外膜。血管壁內(nèi)還有營養(yǎng)血管和神經(jīng)分布。

現(xiàn)有技術(shù)中，主要通過醫(yī)生的臨床經(jīng)驗(yàn)來進(jìn)行確定，該方法診斷效率慢，誤檢率高，花費(fèi)成本高。另外，現(xiàn)有的技術(shù)中主要應(yīng)用一些傳統(tǒng)的圖像檢測辦法，比如利用opencv中提供的API進(jìn)行分割或者檢測，傳統(tǒng)的圖像處理方法雖然能夠處理當(dāng)前的圖片樣本，但是針對大規(guī)模數(shù)據(jù)集不具備很好的泛化能力，需要對單個圖片數(shù)據(jù)手動設(shè)置數(shù)值(所述數(shù)值是指傳統(tǒng)方法中處理圖片時函數(shù)中的值) ，從而導(dǎo)致樣本處理時間成本的增加，另外手動設(shè)置數(shù)值并不能夠獲得最優(yōu)的參數(shù)值，這也導(dǎo)致其準(zhǔn)確率不高。

發(fā)明內(nèi)容

針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于深度學(xué)習(xí)的腎臟血管內(nèi)膜輔助檢測方法、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供以下技術(shù)方案：

一種基于深度學(xué)習(xí)的腎臟血管內(nèi)膜輔助檢測方法，包括以下步驟：

(1)獲取一張病理圖片，首先用已知的腎臟血管輪廓，將大圖裁切成為小圖；

(2)將裁切后的小圖輸入到訓(xùn)練好的深度學(xué)習(xí)分割網(wǎng)絡(luò)模型中，模型會輸出分割掩碼圖，然后獲取掩碼圖片的后面兩個通道，分別對應(yīng)血管內(nèi)腔，血管內(nèi)膜；

(3)分別計(jì)算分割后的掩碼圖片上血管內(nèi)腔與血管內(nèi)膜中非零元素值的平均值，將其作為該類別的得分；然后利用上一步獲得的結(jié)果，計(jì)算血管內(nèi)膜輪廓面積和血管內(nèi)腔輪廓面積的比值；

(4)利用聚類算法獲取三個閾值，根據(jù)閾值分別將面積比映射到對應(yīng)的閾值范圍內(nèi)，從而判斷腎臟血管內(nèi)膜是否異常。

進(jìn)一步地，步驟(1)中，將大圖裁切成為小圖的過程是：

先獲得腎血管輪廓左上角坐標(biāo)(l,t)和右下角坐標(biāo)(r,b)，用右下角坐標(biāo)減去左上角坐標(biāo)獲得腎血管輪廓最小外接矩形的寬與高分別為w＝r-l,h＝b-t；

取寬和高最大的一條邊作為裁剪窗口的尺寸，輪廓的中心位置center＝(l+r)/2,(t+b)/2,利用腎血管輪廓和裁切中心以及旋轉(zhuǎn)角度獲得旋轉(zhuǎn)后的腎血管的輪廓；從而獲得裁切圖片的裁切窗口坐標(biāo)和對應(yīng)輪廓。

進(jìn)一步地，步驟(2)中，深度學(xué)習(xí)分割網(wǎng)絡(luò)模型使用Unet框架，其中主干網(wǎng)絡(luò)使用efficientnet-b3。在Unet結(jié)構(gòu)的下采樣過程中嵌入了efficientnet_b3模型。

本發(fā)明中，采用efficientnet_b3模型從圖片分辨率、網(wǎng)絡(luò)寬度、網(wǎng)絡(luò)深度三個維度來提升網(wǎng)絡(luò)模型性能,將下采樣階段引入該模型，能夠更好的提取圖片的語義特征。而單純的unet網(wǎng)絡(luò)進(jìn)行下采樣，并不能同時在網(wǎng)絡(luò)深度、網(wǎng)絡(luò)寬度和圖片分辨率三個維度進(jìn)行優(yōu)化。