基于多尺度UNet的肾脏CT图像分割

肾脏图像分割对于肾脏疾病的评估以及临床诊断具有重要意义。但传统的肾脏图像分割方法难以对肾脏组织进行精准分割。为了解决上述问题,提出一种结合多尺度UNet模型和分水岭后处理的方法,用于肾脏CT图像的自动分割。多尺度UNet模型的下采样层融合了Inception模块,同时对采样层加入残差块,以有效提取和融合CT图像中多尺度特征,提高了分割准确度。同时,通过一系列分水岭后处理步骤,对模型分割结果进行优化。实验采用grand-challenge中的KITS19数据集。算法实验结果在MIoU(Mean Intersection over Union)和MDSC(Mean Dice Similarity Coefficient)评估指标上得到一定的提高,分别达到了93.37%和99.88%。该算法在与主流的6个方法对比中有一定的优势,能够为肾脏疾病的临床诊断提供更准确的肾脏结构组织信息。

神经元网络容错学习在肾小球区域边界增强中的应用

在肾脏组织切片图像的自动分析系统中,肾小球区域边界的增强是一个关键的环节。肾组织切片图像的复杂特点导致了对肾小球边界特征描述的困难。本文在给出特殊边界定义下提出了一种特征模板,用神经元网络构造非线性阈值曲面,考虑网络容错性对边界增强效果的影响,选择合适的阈值曲面进行边界增强。实验结果表明,该容错学习可以在抑制噪声的同时获得对肾小球边界的增强,从而获得良好的处理效果,并且对染色程度不同的样本图像具有强的适应性。

基于Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析

目的基于Faster R-CNN算法开发出能够自动对肾组织病理切片图像中肾小球进行识别的人工智能(artificial intelligence,AI)系统,帮助病理医师提高计算肾小球个数与识别缺血硬化性肾小球的速度和效率。方法将山西省人民医院和山西医科大学第二医院自2008年至2018年的11476例肾病患者PASM染色的肾脏病理切片进行数字化扫描,图像数据通过远程病理系统传输到云端并进行储存。使用Faster R-CNN方法创建包括2296张图像的训练集和包括174张图像的测试集,训练集用于训练AI学习识别肾小球,测试集用于测试和评价AI识别出肾小球的平均时间和准确率。同时将测试集的174张病理切片分别给工作2年左右的病理科医师(初级医师)和10年以上工作经历的病理科医师(高级医师)阅读,收集医师识别出肾小球的平均时间和准确率。结果通过训练基于Faster R-CNN网络开发的AI得到模型,AI模型在测试集上的性能为:mAP=94.37%。AI处理整张玻片图像处理时间约为1 s,平均识别一个肾小球的时间(0.05±0.04)s(数据由太原理工大学大数据库学院提供)。病理科初级医师和高级医师识别一个肾小球的时间为(22.32±2.32)s和(11.50±1.42)s,识别时间均慢于AI(均P<0.05)。初级医师和高级医师识别肾小球的精确度分别为(82.18±4.92)%和(93.29±7.64)%,AI为(99.93±1.30)%,AI识别肾小球的精确度优于初级医师和高级医师(均P<0.05)。结论基于Faster R-CNN方法开发的AI系统计算肾小球个数与识别缺血硬化性肾小球的速度和效率明显高于参与这项研究的病理科医师。