论文部分内容阅读
膜性肾病(Membranous nephropathy,MN)是常见的引起肾病综合征(Nephrotic syndrome,NS)的病理类型之一。近年来膜性肾病的发病率逐渐增加,部分患者5~10年内进展至终末期肾脏病或死于相关并发症。膜性肾病的诊断主要依靠肾活体组织病理检查,然而国内面临存在医疗资源分布不均衡问题,病理医师高强度阅片,不单耗费大量精力,还会因为工作疲劳导致工作能力暂时降低,导致诊断效能降低。当前数字化病理技术出现在医疗领域,尤以深度学习模型卷积神经网络在图像识别与处理崭露头角,基于计算机图像处理的病理诊断系统带来了更广阔的发展空间。因此,本课题组将整张肾小球病理载玻片进行全信息、全方位快速扫描,得到数字化的肾组织病理切片图像,以神经网络为核心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软件系统,能够迅速识别肾小球并且精确计数。后续从肾组织病理切片中对肾小球内部病变钉突这一微小结构,从而降低由于医师的主观因素(如临床经验不足或工作疲劳)导致的误诊或漏诊。达到帮助肾脏病理专业医师提高诊断效率的目的。第一部分 基于Cascade R-CNN网络在肾组织病理图像中肾小球识别与定位目的:基于深度学习的人工智能在病理检测领域得到迅速发展,肾小球作为膜性肾病在病理中主要病变部位。本研究基于Cascade R-CNN网络开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率。方法:收集山西医科大学附属山西省人民医院和山西医科大学第二医院病理科1250例膜性肾病患者肾活检病理切片。扫描保存后筛选符合要求的病理图像,并转化为机器所识别的格式。图片经预处理后导入Cascade R-CNN网络开发的人工智能识别系统,记录软件自动识别肾小球精确度与召回率、F1。病理图像由3位3年以上工作经历的病理医师阅读,收集医师识别出肾小球的精确度与平均时间。采用方差分析,分析病理医师之间识别时间有无统计学差异;采用卡方检验,分析病理医师之间识别肾小球的精确度有无统计学差异。采用独立样本T检验,分析Cascade R-CNN网络模型与病理医师识别肾小球的精确度是否存在显著性差异。结果:1、数据集分析选入符合要求的病理图像有1150例。920张(占80%)病理图像经重叠切割得到5226张3000×3000像素的肾小球区域图像作为训练集,最终确定病理医师标注40481肾小球的边界框。230张病理图像(占20%)重叠切割得到1244张3000×3000像素的肾小球区域图像作为测试集。2、质量检测分析精确度与召回率曲线图后,明确了Cascade R-CNN网络训练的模型在测试集中检测肾小球自动学习获得的特征有很好的表达性。3、Cascade R-CNN网络与Faster R-CNN网络比较前期基于Faster R-CNN识别肾小球的准确率采用均值平均精度(Mean Average Precision,m AP)度量每个模型的性能,得到m AP值为94.37%,整张玻片图像处理时间约为1 s。本实验结果显示,Cascade R-CNN网络训练完成的深度学习模型处理整张玻片图像的时间约为1s。Cascade R-CNN是在Faster R-CNN的基础上级联了几个不同IOU阈值的目标检测算法。就检测结构来说,特征提取耗时最多。根据本实验结果,尽管Cascade R-CNN增加了较多的参数,但未对检测速度造成明显影响。根据模型在测试集上测试结果,我们的算法模型的精确度、召回率分别为94.50%、98.07%,F1为96.25%。4、Cascade R-CNN模型与病理医师诊断结果对比3位病理医师识别每张切割后病理图像时间分别为3.57±0.05s、4.52±0.07s、3.98±0.02s;采用方差分析,病理医师识别时间差异无统计学意义。3位病理医师识别肾小球的精确度为88.08%、89.69%、89.98%,采用卡方检验,病理医师识别肾小球的精确度差异无统计学意义。Cascade R-CNN网络识别每张肾小球区域图像时间0.20±0.02s。Cascade R-CNN网络对于肾小球识别精确度为94.50%;病理医师识别肾小球的平均精确度为89.25%,采用独立样本T检验,两者比较差异有统计学意义(t=-5.61 P=0.01)。结论:Cascade R-CNN网络通过高分辨率WSI可快速识别肾小球。基于Cascade R-CNN网络开发人工智能(AI)系统,能够帮助病理医师提高计算肾小球个数与识别肾小球的效率。第二部分 基于GoogLeNet网络对膜性肾病病理图像中肾小球钉突分类目的:评估Goog Le Net Inception V1网络对膜性肾病肾小球钉突分类,以期人工智能软件能够辅助病理科医师在膜性肾病病理检测中发现钉突这一微小结构,协助病理医师辅助诊断膜性肾病。方法:从第一部分的1150张PASM染色病理图像中抽出病理诊断为膜性肾病II期、III期的病理图像,共127张。通过Cascade R-CNN网络识别并分割肾小球。由5位病理医师对分割后的肾小球进行分类,有钉突的肾小球放入一个文件夹,命名为钉突,共517个;没有钉突的肾小球都放入一个文件夹,命名为无钉突,共得到498张。过程不做图像级标记肾小球内部钉突结构。随机划分数据集,训练集包含710张图像,验证集包含204张图像,测试集包含101张图像。我们运用测试集的计算结果评估模型的性能。导入Goog Le Net Inception V1网络中训练。以精确度、准确率、召回率、F1值评估Goog Le Net网络对肾小球钉突分类检测效能。结果:1.数据集分析收集到明确诊断为膜性肾病II期、III期患者的PASM染色病理图像共127张,通过Cascade R-CNN网络识别并分割肾小球得到1015个肾小球。每张PASM染色病理图像上有肾小球5-21个,每张PASM染色病理图像上带有钉突的肾小球1-16个。2.质量检测对Goog Le Net Inception V1模型的性能评估是针对正确检测到的是否有钉突的肾小球并进行二分类模型,根据测试集后结果显示召回率97.96%,精确度85.71%,准确率91.09%,F1为91.43%。检测了测试集101张肾小球图片,共耗时298.32s。根据模型训练过程损失与验证准确率曲线图显示,损失下降,准确率提高,验证了模型收敛,模型训练有效。结论:Goog Le Net Inception V1模型对钉突进行二分类,获得较高的漏诊率,但是精确度与准确率需要进一步提高,这样才能更好的为病理医师诊断膜性肾病提供重要的参考依据。