申请/专利权人：华南理工大学

申请日：2021-11-05

公开（公告）日：2024-05-07

公开（公告）号：CN114220485B

主分类号：G16B40/00

分类号：G16B40/00;G16B50/00;G06V10/20;G06V10/56;G06V10/762;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2022.04.08#实质审查的生效;2022.03.22#公开

摘要：本发明公开了一种膜性肾小球数据自主处理与智能分型方法，该分型方法步骤如下：S1、采集并标注膜性肾小球图像数据；S2、对所获取的膜性肾小球图像数据进行数据预处理；S3、对预处理后的膜性肾小球图像数据进行聚类分析以获取初始设定的锚框尺寸以及数据划分的参数；S4、根据初始设定的锚框与数据划分参数建立并训练优化膜性肾小球智能分型级联模型，获得膜性肾小球的边框及分型结果；S5、对膜性肾小球的边框及分型结果进行总体性的综合统计分析，从而获取总体膜性肾小球数据的智能评估结果。本发明通过聚类分析设定的初始锚框提高了边框的回归质量，通过膜性肾小球智能分型级联模型的设计提高了膜性肾小球的检测速度及分型准确率。

主权项：1.一种膜性肾小球数据自主处理与智能分型方法，其特征在于，所述分型方法包括以下步骤：S1、在苏木精-伊红染色、过碘酸雪夫染色、过碘酸六胺银染色及马松染色四种染色环境下采集不同光照下高分辨率的膜性肾小球图像数据并对膜性肾小球进行边框及类型的标注；S2、对所获取的膜性肾小球图像数据进行数据预处理；S3、对预处理后的膜性肾小球图像数据中的边框数据进行聚类分析以获取初始设定的锚框尺寸；对预处理后的膜性肾小球图像数据中的类型数据进行统计分析以获取膜性肾小球类型的数据分布情况，进而根据各类型膜性肾小球的数据分布占比来划分膜性肾小球图像数据以及设定各类型膜性肾小球的学习加权大小；S4、根据初始设定的锚框与数据划分参数建立并训练优化膜性肾小球智能分型级联模型，获得膜性肾小球的边框及分型结果；其中，膜性肾小球智能分型级联模型由膜性肾小球粗检测分类模型与膜性肾小球细分类模型级联而成，所述膜性肾小球粗检测分类模型是基于正负样本比例失衡交叉熵损失函数Focalloss改进的YOLOv3检测网络来实现，其中，YOLOv3检测网络由主干特征提取网络及三个不同尺度的检测分支连接而成，所述主干特征提取网络是不带全连接层的DarkNet53，用于提取待测图像的共享特征，结构如下：由输入至输出依次连接为：卷积正则层CBL、残差组合层RESn＝1、残差组合层RESn＝2、残差组合层RESn＝8、残差组合层RESn＝8、残差组合层RESn＝4；其中，卷积正则层CBL由卷积层、BN层、激活层依次连接而成，残差组合层RESn＝k表示由零值填充层、卷积正则层CBL及k个残差模块组成的单元结构，残差模块由输入层与两层CBL进行残差加权构成；所述三个不同尺度的检测分支分别为大目标检测分支、中目标检测分支及小目标检测分支，用于获取N型膜性肾小球、A型膜性肾小球的边框回归结果与分型结果；其中，大目标检测分支以主干特征提取网络的输出作为输入，并将步骤S317所获取的最终初始设定锚框尺寸中最大的个锚框作为检测算法中初始设定的锚框大小，表示向下取整操作；大目标检测分支的结构由6个CBL层、卷积层与大目标检测输出层依次连接；其中，中目标检测分支以大目标检测分支中第5个CBL层的输出与主干特征提取网络第4个残差组合层RESn＝8的输出作为输入，并将步骤S317所获取的最终初始设定锚框尺寸中第至个最大的锚框作为检测算法中初始设定的锚框大小；中目标检测分支由CBL层、上采样层、拼接层、6个CBL层、卷积层与中目标检测输出层依次连接而成；其中，小目标检测分支以中目标检测分支中第6个CBL层的输出与主干特征提取网络第3个残差组合层RESn＝8的输出作为输入，并将步骤S317所获取的最终初始设定锚框尺寸中第至个最大的锚框作为检测算法中初始设定的锚框大小；小目标检测分支由CBL层、上采样层、拼接层、6个CBL层、卷积层与小目标检测输出层依次连接而成；其中，膜性肾小球粗检测分类模型的损失函数LN-A由边框位置预测误差lossbbox_coord、正负样本边框置信度误差lossbbox_conf及类型预测误差losscls_conf三个部分构成，即其表达式如下：LN-A＝lossbbox_coord+lossbbox_conf+losscls_conf边框位置预测误差lossbbox_coord由边框左上角横纵坐标与边框长宽的均方差误差构成，计算公式如下： 其中，λcoord表示边框位置预测误差的可学习参数，S×S表示膜性肾小球粗检测分类模型中所划分的网格数；B为每个网格预测的边框数，即每个网格对应的预测框数目；obj表示所检测的膜性肾小球；表示第i个网格的第j个预测框是否预测该膜性肾小球obj，若是则为1，否则为0；分别表示为第i个网格第j个预测框与真实边框归一化的中心横纵坐标；分别表示为第i个网格第j个预测框与真实边框的归一化宽度与归一化高度；正负样本边框置信度误差lossbbox_conf采用正负样本比例失衡交叉熵损失函数Focalloss改进来实现，由含所检测的膜性肾小球边框的置信度误差与不含所检测的膜性肾小球边框的置信度误差构成，即正负严格不能边框置信度误差的加权和，其计算公式如下： 其中，λobj、λnobj分别表示包含及不包含膜性肾小球边框的置信度预测误差的可学习参数；α表示Focalloss损失函数中的平衡正负样本的权重系数；则表示为第i个网格的第j个预测框是否不负责预测该膜性肾小球obj，若是则为1，否则为0；分别表示第i个网格第j个预测框及真实边框的置信度，γ是用来调节权重降低速率的参数；类型预测误差losscls_conf采用Fcoalloss改进来实现，其计算公式如下： 其中，分别表示第i个网格第j个预测框及真实边框是某一个类型的概率，c表示预测的膜性肾小球类型，classes表示所有的膜性肾小球类型；其中，膜性肾小球细分类模型为二分类的卷积网络，用于精分类膜性肾小球粗检测分类模型所获取的A型膜性肾小球，以获取L型与H型膜性肾小球的分型结果，所述膜性肾小球细分类模型的网络结构如下：由输入到输出依次为：输入层、卷积层conv3_1、激活层、池化层max_pooling3、卷积层conv1_1、卷积层conv3_2、激活层、池化层max_pooling2、全连接层fc1、全连接层fc2及输出层；S5、对所述膜性肾小球的边框及分型结果进行总体性的综合统计分析，从而获取总体膜性肾小球数据的智能评估结果。

全文数据：

权利要求：

百度查询： 华南理工大学 一种膜性肾小球数据自主处理与智能分型方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD