【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。