[发明专利]基于高光谱和深度学习的肾小球区域精准检测方法及系统

权利要求书

1.一种基于高光谱和深度学习的肾小球区域精准检测方法，其特征在于，包括以下步骤：

步骤1.获取已标注的高光谱显微图像；

步骤2.基于区域标注，对实例分割网络进行训练；

步骤3.获取待分析图片，将其输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置；

步骤4.计算各个系膜基质和与其关联的毛细血管袢区域的面积比；

步骤5.输出彩色病理图文报告。

2.根据权利要求1所述的一种基于高光谱和深度学习的肾小球区域精准检测方法，其特征在于，步骤1.获取已标注的高光谱显微图像，具体包括以下子步骤：

步骤1.1.肾脏组织病理切片制备；

步骤1.2.高光谱显微成像；

步骤1.3.手动定位病理图像中感兴趣的区域，所述的感兴趣的区域是系膜基质和与其关联的毛细血管袢；

步骤1.4.使用ENVI5.3标注系膜基质和与其关联的毛细血管袢区域。

3.根据权利要求1所述的一种基于高光谱和深度学习的肾小球区域精准检测方法，其特征在于，步骤2.基于区域标注信息，对实例分割网络进行训练，所述训练过程包括以下子步骤：

步骤2.1.编写全部图片获取程序，读取红绿两色TIFF格式图片数据；

步骤2.2.将高光谱辐射观测值归一化，并进行均值滤波降噪；

步骤2.3.编写数据获取程序，读取数据和标志文件；

步骤2.4.从23个不同肾脏组织病理切片中随机选取3个为训练集，3个为测试集，剩余17个为验证集，生成若干份随机划分的数据集文件，高光谱图像总数为165张；

步骤2.5.编写分类模型的训练函数程序，选择一份数据集文件，并读取训练集、测试集和验证集；

步骤2.6.采用使用支持向量机分类器，同时选择一组超参数，循环利用训练集训练模型，验证集评价模型，以分类验证精度作为评价标准，选择最好的模型；

步骤2.7.利用测试机测试模型，引入混淆矩阵，对测试结果进行评价，输出评价结果。

4.根据权利要求1所述的一种基于高光谱和深度学习的肾小球区域精准检测方法，其特征在于，步骤3具体包括以下子步骤：

步骤3.1.肾脏组织病理切片制备；

步骤3.2.高光谱显微成像；

步骤3.3.程序选定感兴趣区域；

步骤3.4.将待分析图片输入训练好的实例分割网络中，得到待分析图片中各个系膜基质和与其关联的毛细血管袢区域的位置；

步骤4.计算各个系膜基质和与其关联的毛细血管袢区域的面积比；

步骤5.输出彩色病理图文报告。

5.一种基于高光谱和深度学习的肾小球区域精准检测系统，其特征在于，包括获取单元、训练单元、检测单元、计算单元和输出单元；

其中：获取单元是获取ENVI5.3标注后的高光谱显微图像；

训练单元是训练实例分割网络，包括图像的预处理，特征提取和分类；

检测单元是检测待分析的肾病理图像的感兴趣区域；

计算单元是计算系膜基质与其关联的毛细血管袢区域的面积比；

输出单元是输出检测结果。

6.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。

7.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至4中任一项所述方法的步骤。