[发明专利]一种基于深度学习的肾脏血管内膜辅助检测方法、计算机设备及计算机可读存储介质

说明书

本发明公开了一种基于深度学习的肾脏血管内膜辅助检测方法、计算机设备及计算机可读存储介质，本发明的方法能够用于检测肾脏血管内膜、血管内膜是否异常，为后续的诊断与治疗提供了准确的依据。本发明基于深度学习的方法，使得模型具有更好的鲁棒性和泛化能力，相比现有的检测法能够获得较好的准确性，并能提高检测效率。

技术领域

本发明具体涉及一种基于深度学习的肾脏血管内膜辅助检测方法、计算机设备及计算机可读存储介质。

背景技术

肾脏是丰富的血供器官，接受大约四分之一的心输出量。肾脏血管结构是独特和复杂的,保证了肾脏履行其众多的生理功能，这些功能的异常对肾脏的疾病过程有着不同的作用。

肾脏的血液供应来自腹主动脉分出的左、右肾动脉。肾动脉在肾门处进入肾，分出数条肾间动脉，再分支成叶间动脉，小叶间动脉，然后沿途发出入球小动脉，进入肾小体形成血管球，再汇成出球小动脉离开肾小体，之后又形成肾小管周围毛细血管网，随后集合成小叶间静脉，经各级静脉最后回到下腔静脉。

血管壁是指血液流过的一系列管道，除毛细血管和毛细淋巴管以外，血管壁从管腔面向外一般依次内膜、中膜和外膜。血管壁内还有营养血管和神经分布。

现有技术中，主要通过医生的临床经验来进行确定，该方法诊断效率慢，误检率高，花费成本高。另外，现有的技术中主要应用一些传统的图像检测办法，比如利用opencv中提供的API进行分割或者检测，传统的图像处理方法虽然能够处理当前的图片样本，但是针对大规模数据集不具备很好的泛化能力，需要对单个图片数据手动设置数值(所述数值是指传统方法中处理图片时函数中的值) ，从而导致样本处理时间成本的增加，另外手动设置数值并不能够获得最优的参数值，这也导致其准确率不高。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种基于深度学习的肾脏血管内膜辅助检测方法、计算机设备及计算机可读存储介质。

为了实现上述目的，本发明提供以下技术方案：

一种基于深度学习的肾脏血管内膜辅助检测方法，包括以下步骤：

(1)获取一张病理图片，首先用已知的肾脏血管轮廓，将大图裁切成为小图；

(2)将裁切后的小图输入到训练好的深度学习分割网络模型中，模型会输出分割掩码图，然后获取掩码图片的后面两个通道，分别对应血管内腔，血管内膜；

(3)分别计算分割后的掩码图片上血管内腔与血管内膜中非零元素值的平均值，将其作为该类别的得分；然后利用上一步获得的结果，计算血管内膜轮廓面积和血管内腔轮廓面积的比值；

(4)利用聚类算法获取三个阈值，根据阈值分别将面积比映射到对应的阈值范围内，从而判断肾脏血管内膜是否异常。

进一步地，步骤(1)中，将大图裁切成为小图的过程是：

先获得肾血管轮廓左上角坐标(l,t)和右下角坐标(r,b)，用右下角坐标减去左上角坐标获得肾血管轮廓最小外接矩形的宽与高分别为w＝r-l,h＝b-t；

取宽和高最大的一条边作为裁剪窗口的尺寸，轮廓的中心位置center＝(l+r)/2,(t+b)/2,利用肾血管轮廓和裁切中心以及旋转角度获得旋转后的肾血管的轮廓；从而获得裁切图片的裁切窗口坐标和对应轮廓。

进一步地，步骤(2)中，深度学习分割网络模型使用Unet框架，其中主干网络使用efficientnet-b3。在Unet结构的下采样过程中嵌入了efficientnet_b3模型。

本发明中，采用efficientnet_b3模型从图片分辨率、网络宽度、网络深度三个维度来提升网络模型性能,将下采样阶段引入该模型，能够更好的提取图片的语义特征。而单纯的unet网络进行下采样，并不能同时在网络深度、网络宽度和图片分辨率三个维度进行优化。