[發(fā)明專利]一種針對腎小球免疫熒光圖像的分類系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210855044.7
• 申請日: 2022-07-19
• 公開（公告）號: CN115359285A
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計）人: 劉浩然;李西峰;彭雷;謝永樂;畢東杰;彭禮彪;湯沈杰;李貴森;張萍
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06V10/82
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 陳一鑫

該發(fā)明公開了一種針對腎小球免疫熒光圖像的分類系統(tǒng)，涉及醫(yī)學(xué)圖像處理領(lǐng)域。針對當(dāng)前該項工作對人工的高度依賴和高級病理醫(yī)生的普遍缺乏進(jìn)一步加劇了基層醫(yī)療機構(gòu)對腎活檢樣本的診斷難度，而應(yīng)用輔助系統(tǒng)，將能夠顯著改善識別的效率和準(zhǔn)確性。本發(fā)明熒光強度和分布形態(tài)的分類準(zhǔn)確率分別達(dá)到了90.48％和90.87％。從推斷時間的角度來看，系統(tǒng)在熒光強度分類和分布形態(tài)分類中處理每張圖像分別僅需要13毫秒和12毫秒，這比初級病理醫(yī)生分別需要的11.06秒和7.84秒以及獨立的高級病理醫(yī)生分別需要的17.14秒和18.26秒要快得多。從Kappa分?jǐn)?shù)的角度看，系統(tǒng)給出的結(jié)論與標(biāo)簽幾乎完全一致(Almost perfect)，與獨立的高級病理醫(yī)生給出的結(jié)論高度的一致(Substantial agreement，對于熒光強度分類為0.6494，對于分布形態(tài)為0.7184)。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域。

背景技術(shù)

如今，隨著深度學(xué)習(xí)在圖像診斷領(lǐng)域的廣泛應(yīng)用，一些研究者已經(jīng)將基于深度學(xué)習(xí)的方法引入由光學(xué)顯微鏡獲取的腎臟組織圖像的診斷工作。然而，僅僅使用光學(xué)顯微鏡圖像不足以獲取確定的診斷結(jié)果，免疫熒光圖像也是腎臟疾病病理診斷的最重要的資料之一。Zhao等人構(gòu)建了一個腎臟免疫熒光全切片圖像的數(shù)據(jù)集，并使用邊界框標(biāo)注圖像中的腎小球[1]。他們的研究證明了現(xiàn)有的深度學(xué)習(xí)方法在評估腎小球免疫熒光圖像上的可用性，然而他們未提出關(guān)于腎小球描述性指標(biāo)分類的詳細(xì)方法。Ligabue等人微調(diào)了預(yù)訓(xùn)練后的ResNet-101網(wǎng)絡(luò)來對腎小球描述性指標(biāo)進(jìn)行分類，這些描述性指標(biāo)包括：外觀、分布、位置、強度[2]。Kitamura等人使用計算機軟件自動建立的卷積神經(jīng)網(wǎng)絡(luò)從糖尿病腎病患者的免疫熒光圖像中提取特征[3]。總的來說，大部分現(xiàn)有的研究沒有基于腎小球免疫熒光圖像的特點設(shè)計專用的圖像預(yù)處理方法和分類網(wǎng)絡(luò)，這限制了針對腎小球免疫熒光圖像的自動診斷性能的提升。

[1]Zhao K,Yu J,Teng Z,et al.DGDI:A Dataset for Detecting Glomeruli onRenal Direct Immunofluorescence[C]//2018Digital Image Computing:Techniquesand Applications(DICTA).2018.

[2]Ligabue G,Pollastri F,Fontana F,et al.Evaluation of theClassification Accuracy of the Kidney Biopsy Direct Immunofluorescencethrough Convolutional Neural Networks[J].Clinical Journal of the AmericanSociety of Nephrology,2020,15(10).

[3]Kitamura S,Takahashi K,Sang Y,et al.Deep learning could diagnosediabetic nephropathy with renal pathological immunofluorescent images[J].Diagnostics,2020,10(7):466。

發(fā)明內(nèi)容

現(xiàn)存的深度學(xué)習(xí)模型在面對腎小球免疫熒光圖像時表現(xiàn)不佳，主要源于以下固有的挑戰(zhàn)：①腎小球免疫熒光圖像分類是一種細(xì)粒度分類任務(wù)。圖像的紋理和色彩的差異決定了描述性指標(biāo)的類別，并且這些差異十分細(xì)微以至于難以提取；②熒光強度是不平衡的，由于染色操作和沉積物的位置不同，不平衡的熒光強度廣泛存在于不同的圖像之間以及同一張圖像的不同部分之間；③圖像中存在不同類型的噪聲。殘余的染料及非特異性染色將會在圖像中形成混雜的噪聲，這將會干擾對腎小球免疫熒光圖像的觀察；④盡管針對腎臟免疫熒光圖像的特征有標(biāo)準(zhǔn)化的分類規(guī)則，分析免疫熒光圖像仍然因為其復(fù)雜性和多變性而相對主觀。當(dāng)前該項工作對人工的高度依賴和高級病理醫(yī)生的普遍缺乏進(jìn)一步加劇了基層醫(yī)療機構(gòu)對腎活檢樣本的診斷難度。而應(yīng)用輔助系統(tǒng)，將能夠顯著改善識別的效率和準(zhǔn)確性。