换一批基于DenseNet算法对膜性肾病组织病理图像肾小球钉突分类研究
Classification of glomerular spikes in pathological image of membranous nephropathy based on DenseNet algorithm
摘要目的 开发基于DenseNet算法对膜性肾病(MN)肾小球钉突病理图像进行分类的人工智能模型,研究人工智能模型是否能辅助病理科医师在MN病理检测中发现钉突这一细微结构,提高病理科医师对MN的病理诊断水平.方法 选取2014-2019年山西医科大学附属第二医院收治的MN患者肾组织针刺活检病理切片1250张,经筛选符合要求的六胺银(PASM)染色病理切片1150张,选择诊断为MN病理分期Ⅱ期的PASM染色病理图像127张.前期实验通过Cascade R-CNN网络识别并检测肾小球.由高年资病理科医师对切割后的肾小球进行分类,将含有钉突样改变的肾小球视为钉突阳性,共492张图像;将不含有钉突样改变的肾小球视为钉突阴性,共523张图像.使用基于深度学习的DenseNet分类网络构建对肾小球钉突进行分类的人工智能模型.将数据集以8:2分为训练集和测试集,模型性能通过测试数据集进行评估.使用经训练的DenseNet模型对图像进行测试.通过灵敏度、特异度和受试者工作特征曲线的曲线下面积(AUC)对训练后的模型进行评估.结果 基于DenseNet模型是正确检测到的是否有钉突的肾小球并对其进行二分类.根据测试结果得到召回率为98.00％,精确度为92.45％,准确率为95.00％,F1为95.15％.DenseNet模型表现出高性能,AUC为0.97.结论 DenseNet对肾小球钉突的二分类获得了较高的召回率、准确率和灵敏度,但精确度和特异度尚需进一步提高才能更好地辅助病理科医师诊断MN.
更多相关知识
- 浏览18
- 被引3
- 下载11
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
