[發明專利]一種人工智能評估供腎質量的方法及系統

在審

• 申請號: 202211317432.6
• 申請日: 2022-10-26
• 公開（公告）號: CN115565698A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 劉丁;劉永光;徐碩瑀;趙明;郭穎;岑金朋
• 申請（專利權）人: 南方醫科大學珠江醫院
• 主分類號: G16H70/60
• 分類號: G16H70/60;G06N3/04;G06N3/08;G06T7/10;G16H30/00
• 代理公司: 廣州市智遠創達專利代理有限公司 44619
• 代理人: 蔡國

1.一種人工智能評估供腎質量的方法，其特征在于，包括用于分割腎臟組織區域的第一深度神經網絡和用于纖維化區域識別的第二深度神經網絡，該方法還包括如下處理步驟；

步驟1：將待評估腎臟的數字病理圖像分別輸入到第一深度神經網絡和第二深度神經網絡；

步驟2：第一深度神經網絡對接收的數字病理圖像進行分割得到正常腎小球區域、硬化腎小球區域、正常腎小管區域、萎縮腎小管區域、動脈管壁區域、動脈管腔區域和腎間質區域，然后將各區域圖片發送到對應的檢測模塊進行檢測；

步驟3：第二深度神經網絡對接收的數字病理圖像進行纖維化區域提取并將纖維化區域發送到對應的檢測模塊進行檢測；

步驟4：各相關的檢測模塊進行檢測并將檢測結果，即腎小球硬化測量值、腎小管萎縮測量值、動脈狹窄測量值及間質纖維化測量值，發送到病理評分模塊(6)，病理評分模塊(6)根據設定閾值對各檢測結果進行評分，然后將各項評分根據設定進行評估，輸出待評估腎臟評估結果。

2.根據權利要求1所述的一種人工智能評估供腎質量的方法，其特征在于，所述第一深度神經網絡形成過程中通過DeeplabV3網絡結構對各組織區域進行勾畫設定，輸入的數字病理圖像分成小圖塊輸入到設定相應的神經網絡中進行特征學習；所得特征通過批歸一化和實例歸一化處理生成相應的特征部分，然后通過最小化不同損失函數處理，從而完成分割的訓練。

3.根據權利要求2所述的一種人工智能評估供腎質量的方法，其特征在于，所述訓練過程中輸入的數字病理圖像采用0.25um/像素、0.5um/像素及1um/像素的分辨率，并將各分辨率下的輸入的數字病理圖像分割結果進行集成融合，得到最終的分割區域。

4.根據權利要求2或3所述的一種人工智能評估供腎質量的方法，其特征在于，所述輸入的數字病理圖像為全片數字病理圖像。

5.根據權利要求1所述的一種人工智能評估供腎質量的方法，其特征在于，所述第二深度神經網絡輸入的數字病理圖像為馬森三色染色的數字病理圖像；在第二深度神經網絡中通過CycleGAN網絡得到馬森三色染色的腎臟病理圖像；對馬森三色染色的腎臟病理圖像進行顏色反卷積，將卷積后的圖像與原馬森三色染色的數字病理圖像建立非線性映射關系，然后將得到的圖像顏色進行標準化校準，校準后的圖像轉換成光密度圖像，根據光密度圖像初始化染料色譜的初始矢量；然后使用獨立成分分析技術獲得染色拆解后每一種染料的染色強度圖譜，去除染色強度低于預設大小的像素點，剩余的像素點集即是提取到的纖維化區域。

6.根據權利要求5所述的一種人工智能評估供腎質量的方法，其特征在于，在CycleGAN網絡中形成兩個生成對抗網絡，即第一對抗網絡和第二對抗網絡，所述第一對抗網絡接收馬森三色染色的數字病理圖像后形成馬森三色染色的腎臟病理圖像，所述第二對抗網絡將第一對抗網絡得到的馬森三色染色的腎臟病理圖像處理得到馬森三色染色的數字病理圖像，其中，第二對抗網絡得到的馬森三色染色的數字病理圖像與原馬森三色染色的數字病理圖像保持一致，否則，馬森三色染色的腎臟病理圖像處理無效；

在CycleGAN網絡訓練過程中，輸入的數字病理圖像切成512*512像素大小的圖塊進行訓練并且使用6層的Resnet網絡結構作為特征提取器，訓練中通過損失函數進行圖形優化處理，損失函數由對抗網絡損失和循環一致損失兩部分組成。

7.根據權利要求1所述的一種人工智能評估供腎質量的方法，其特征在于，所述病理評分模塊(6)中對于各檢測結果評分設定為：腎小球硬化評分，腎小球硬化測量值20％，為1分，腎小球硬化測量值在20％-50％，為2分，腎小球硬化測量值50％，為3分；腎小管萎縮評分，腎小管萎縮測量值20％，為1分，腎小管萎縮測量值在20％-50％，為2分，腎小管萎縮測量值50％，為3分；動脈狹窄評分，動脈狹窄測量值1,為1分，動脈狹窄測量值在20％-50％，為2分，動脈狹窄測量值50％，為3分；間質纖維化評分，間質纖維化測量值20％，為1分，間質纖維化測量值在20％-50％，為2分，間質纖維化測量值50％，為3分。