对肾脏病免疫荧光图片进行识别分类的方法及装置制造方法及图纸

本发明专利技术实施例提供了一种对肾脏病免疫荧光图片进行识别分类的方法及装置，包括：获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；本发明专利技术实施例可快速、大批量的对肾脏病免疫荧光图片进行识别分类，从而减少病理医生工作量，识别分类准确率高，满足辅助病理医生诊断参考需求。

【技术实现步骤摘要】
对肾脏病免疫荧光图片进行识别分类的方法及装置
本专利技术涉及人工智能
，尤其涉及一种对肾脏病免疫荧光图片进行识别分类的方法及装置。
技术介绍
免疫荧光是病理医生诊断肾脏疾病的最重要的检查之一，然而数据显示中国目前仍然存在4-9万的病理医生缺口，2017年，美国每10万人口仅有3.94名病理医生，加拿大为4.81名，很多地区的医院缺乏经验丰富的肾脏病理医生做出免疫荧光诊断；并且病理医生无法快速准确地识别和诊断大批量的免疫荧光图片。人工智能辅助识别诊断肾脏病免疫荧光图片时也存在准确率低的问题，其主要原因在于图片获取阶段，由于荧光显微镜对焦不准确导致获取的免疫荧光图片模糊，这导致许多情况下免疫荧光图片识别和分析困难，从而导致人工智能网络对免疫荧光图片进行识别和分类时准确率和可重复性下降。并且在分类识别时，由于肾脏疾病类别较多，只区分一种疾病的人工智能网络，不能达到辅助病理医生诊断荧光图片的目的。
技术实现思路
针对现有技术中存在的问题，本专利技术实施例提供一种对肾脏病免疫荧光图片进行识别分类的方法及装置。第一方面，本专利技术实施例提供一种对肾脏病免疫荧光图片进行识别分类的方法，包括：获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。进一步地，所述方法还包括：基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。进一步地，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。进一步地，还包括：基于DeblurrNet算法构建所述去模糊神经网络模型；所述DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。进一步地，还包括：采用Grad-CAM对分类神经网络模型进行识别特征可视化。第二方面，本专利技术实施例提供了一种对肾脏病免疫荧光图片进行识别分类的装置，包括：获取模块，用于获取肾脏病免疫荧光图片；去模糊模块，用于将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；分类模块，用于将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。进一步地，所述装置还包括：筛选模块，用于基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。进一步地，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；相应地，所述分类模块，具体用于：基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的对肾脏病免疫荧光图片进行识别分类的方法的步骤。第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的对肾脏病免疫荧光图片进行识别分类的方法的步骤。由上述技术方案可知，本专利技术实施例提供的对肾脏病免疫荧光图片进行识别分类的方法及装置，通过获取肾脏病免疫荧光图片；将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；本专利技术实施例可快速、大批量的对肾脏病免疫荧光图片进行识别分类，从而减少病理医生工作量，识别分类准确率高满足辅助病理医生诊断参考需求。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的对肾脏病免疫荧光图片进行识别分类的方法的流程示意图；图2为本专利技术一实施例提供的对肾脏病免疫荧光图片进行识别分类的装置的结构示意图；图3为本专利技术一实施例提供的电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面将通过具体的实施例对本专利技术提供的对肾脏病免疫荧光图片进行识别分类的方法进行详细解释和说明。图1为本专利技术一实施例提供的对肾脏病免疫荧光图片进行识别分类的方法的流程示意图；如图1所示，该方法包括：步骤101：获取肾脏病免疫荧光图片。步骤102：将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾本文档来自技高网...

【技术保护点】
1.一种对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，包括：/n获取肾脏病免疫荧光图片；/n将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；/n将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。/n

【技术特征摘要】
1.一种对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，包括：
获取肾脏病免疫荧光图片；
将所述肾脏病免疫荧光图片输入至去模糊神经网络模型对所述肾脏病免疫荧光图片进行去模糊处理，得到满足预设清晰度的肾脏病免疫荧光图片；其中，所述去模糊神经网络模型为采用肾脏病免疫荧光图片样本作为输入数据，以及与肾脏病免疫荧光图片样本对应的作为输出数据，基于机器学习算法训练得到的；
将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；其中，所述分类神经网络模型为采用满足预设清晰度的肾脏病免疫荧光图片样本作为输入数据，以及与所述肾脏病免疫荧光图片对应的肾脏疾病类别作为输出数据，基于机器学习算法训练得到的。


2.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述方法还包括：
基于图像Laplacian梯度函数对所述肾脏病免疫荧光图片进行筛选，并将Laplacian梯度值方差结果在预设区间的肾脏病免疫荧光图片。


3.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，所述肾脏疾病类别包括：IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类；
相应地，所述将满足预设清晰度的肾脏病免疫荧光图片输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别，具体包括：
基于通道数将满足预设清晰度的肾脏病免疫荧光图片进行多通道输入至分类神经网络模型，得到与所述肾脏病免疫荧光图片对应的肾脏疾病类别；所述肾脏疾病类别为IgA肾病类或膜性肾病类或糖尿病肾病类或狼疮性肾炎类。


4.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：
基于DeblurrNet算法构建所述去模糊神经网络模型；所述DeblurrNet算法包括浅层特征提取、残余密集块RDB、全局特征融合、全局残余学习和上采样重建规模五部分。


5.根据权利要求1所述的对肾脏病免疫荧光图片进行识别分类的方法，其特征在于，还包括：
采用Grad-CAM对分...

【专利技术属性】
技术研发人员：陈香美，徐迈，潘赛，付义冰，陈仆，刘娇娜，蔡广研，段姝伟，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：北京;11