[发明专利]膜性肾病的病理图像分类方法、装置、设备及存储介质

说明书

本申请公开了一种膜性肾病的病理图像分类方法、装置、设备及存储介质，所述方法包括：获取肾活检肾小球病理图像；将所述肾活检肾小球病理图像输入预训练的MTLSC‑Net神经网络模型的分割模块，得到肾小球基底膜及其周围免疫复合物的分割掩码图像；将所述分割掩码图像输入所述MTLSC‑Net神经网络模型的分类模块，得到膜性肾病病理图像的分类结果。根据本申请实施例提供的病理图像分类方法，基于多任务深度学习神经网络模型，分割得到与膜性肾病病理图像分类相关的特征，并对膜性肾病病理图像进行快速准确分类，辅助病理医师对膜性肾病的疾病阶段进行分类，有效提升病理医师的工作效率。

技术领域

本发明涉及图像分类技术领域，特别涉及一种膜性肾病的病理图像分类方法、装置、设备及存储介质。

背景技术

膜性肾病是中国肾病综合征中第二大常见疾病，其发病率呈明显上升趋势，且其中近乎一半的患者可能发展为终末期肾功能衰竭。膜性肾病需经由肾活检进行光镜、电镜、免疫荧光等病理检查进行诊断和分期，其病理特征是肾小球脏层上皮细胞下免疫复合物沉积，从而导致弥漫性肾小球基底膜不均质的增厚和钉突生成。膜性肾病的病理分期通常分为五期，但I、II、III、IV期的分期具有更重要的意义。在对膜性肾病分期时，需要病理学家在电镜或光镜下仔细观察各种染色的肾活检组织病理切片，并逐一确认同一切片上所有的肾小球和相关的病理特征，致使病理医师阅片工作繁重。

目前各种医学影像数据呈数量级增长，医疗病理图像复杂且待检测的组织和细胞难以分辨，给传统的医学影像模式识别技术带来了巨大挑战。因此，如何根据肾小球基底膜及其免疫复合物的不同性状，对膜性肾病病理图像进行准确分类，是本领域技术人员亟待解决的技术问题。

发明内容

本申请实施例提供了一种膜性肾病的病理图像分类方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种膜性肾病的病理图像分类方法，包括：

获取肾活检肾小球病理图像；

将肾活检肾小球病理图像输入预训练的MTLSC-Net神经网络模型的分割模块，得到肾小球基底膜及其周围免疫复合物的分割掩码图像；

将分割掩码图像输入MTLSC-Net神经网络模型的分类模块，得到膜性肾病病理图像的分类结果。

在一个可选地实施例中，将肾活检肾小球病理图像输入预训练的MTLSC-Net神经网络模型之前，还包括：

构造训练集、测试集和验证集；

根据训练集、测试集和验证集训练并测试MTLSC-Net神经网络模型。

在一个可选地实施例中，构造训练集、测试集和验证集，包括：

获取多张肾活检肾小球病理图像；

将肾活检肾小球病理图像中的肾小球基底膜及其周围免疫复合物的像素值标注为1，将其余部分的像素值标注为0，得到标注后的分割掩码图像数据集，将分割掩码图像数据集分为第一训练集、第一测试集和第一验证集；

对分割掩码图像数据集中的肾小球基底膜的类别进行标注，得到标注后的分类图像数据集，将分类图像数据集分为第二训练集、第二测试集和第二验证集。

在一个可选地实施例中，根据训练集、测试集和验证集训练MTLSC-Net神经网络模型，包括：

根据第一训练集、第一测试集和第一验证集以及二元交叉熵损失函数，训练MTLSC-Net神经网络模型的分割模块；

二元交叉熵损失函数如下所示：