一种慢性糖尿病肾病识别方法和装置、存储介质

技术领域

本发明属于疾病识别技术领域，尤其涉及一种慢性糖尿病肾病识别方法和装置、存储介质。

背景技术

糖尿病(diabetes mellitus，DM)是一种全球性慢性代谢性疾病，多种并发症与其息息相关。糖尿病肾病(diabetic kidney disease,DKD)是糖尿病患者最严重的微血管并发症之一，其降低患者的生存质量，增加全球卫生保健系统的经济负担，增加糖尿病患者的死亡率。DKD发病隐匿，一旦发现往往疾病严重程度高，易恶化为终末期肾衰竭，是糖尿病患者的主要死因之一。因此，DKD的早筛、早诊、早治对于提高糖尿病患者生活质量、减少不良事件发生及减小全球卫生保健系统的经济负担而言，均具有重大意义。目前对DKD的筛查依赖于估算的肾小球滤过率(estimated glomerular filtration rate，eGFR，由血清肌酐计算)的测量和尿白蛋白检测。一些DKD的病理标志物已被明确对DKD患者的预后具有重要识别价值，其中肾活检是一种有意义的检查手段，但就日常筛查而言，肾活检并不适用。

类似地，糖尿病视网膜病变(diabetic retinopathy，DR)作为DM患者致盲的首要原因，也是DM微血管并发症之一。DR被认为是共存DKD的识别标准之一，因为有研究在肾小球和视网膜血管中发现了相似的组织病理学病变。DR和DKD的发病机制类似，如：炎症、氧化应激、内皮功能障碍和微血管病变。尽管如上所述，DKD早期识别很困难，但通过眼底彩照对DR的早期识别却很简便。目前还没有一种全面、普适、无创、低成本的筛查方法来监测DM微血管并发症。

发明内容

本发明要解决的技术问题是，提供一种慢性糖尿病肾病识别方法和装置、存储介质，克服现有DKD识别分级方法存在有创、高成本且繁杂的缺陷。

为实现上述目的，本发明采用如下的技术方案：

一种慢性糖尿病肾病识别方法，包括以下步骤：

S1、获取DM患者的历史视网膜影像数据和历史DKD数据；

S2、对所述历史视网膜影像数据进行预处理；

S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；

S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。

作为优选，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。

作为优选，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2-微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。

作为优选，对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224×224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记

本发明还提供一种慢性糖尿病肾病识别装置，包括：

获取装置，用于获取DM患者的历史视网膜影像数据和历史DKD数据；

预处理装置，用于对所述历史视网膜影像数据进行预处理；

训练模块，用于将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；

识别模块，用于将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。

作为优选，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。

作为优选，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2-微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。

作为优选，所述预处理装置对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224×224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记

本发明还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现慢性糖尿病肾病识别方法。

本发明采用DR图像数据的深度学习(deeplearning，DL)实现实现DKD的识别和治疗。因此，以协助制定促进DM患者保护肾脏的治疗策略，降低DKD的发生率及其相关的DM死亡率。

附图说明

图1为本发明慢性糖尿病肾病识别方法的流程图；

图2为本发明慢性糖尿病肾病识别装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

实施例1：

如图1所示，本发明提供一种慢性糖尿病肾病识别方法，包括以下步骤：

S1、获取DM患者的历史视网膜影像数据和历史DKD数据；

S2、对所述历史视网膜影像数据进行预处理；

S3、将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；

S4、将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。

作为本实施例的一种实施方式，所述历史DKD数据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2-微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。

作为本实施例的一种实施方式，所述历史视网膜影像数据为彩色眼底图像。

对所述历史视网膜影像数据进行预处理包含以下：

1、降噪处理和切除空白边缘处理

2、去除眼底彩照255强度值的饱和像素；

3、根据ResNet18的要求，将眼底彩照的大小调整为224×224像素。

4、根据DM患者UACR和CKD分期对眼底彩照进行标记。

UACR分期如下：1期(正常或低白蛋白尿，UACR＜30mg/g)；2期(微量白蛋白尿，UACR：30-300mg/g)和3期(大量白蛋白尿，UACR≥300mg/g)。CKD分期如下：第1期(病情评估，eGFR≥45mL/min/1.73m

作为本实施例的一种实施方式，训练深度学习模型为：根据历史视网膜影像数据和历史DKD数据，通过卷积操作得到多模态深度特征；根据多模态深度特征，通过卷积和池化交替进行提取与任务相关的深度特征；根据所述任务相关的深度特征，通过加权损失层得到识别为不同发病阶段的概率。

所述深度学习模型为：基于ResNet卷积神经网络，以历史视网膜影像数据和历史DKD数据作为输入且以实现六个任务(“是否为UACR1期”、“是否为UACR2期”、“是否为UACR3期”、“是否为CKD1期”、“是否为CKD2期”、“是否为CKD3期”)作为输出的端到端深度学习模型。训练深度学习模型过程具体包括以下步骤：

S31、采用历史视网膜影像数据和历史DKD数据训练ResNet18模型，对网络结构以及参数进行微调；

S32、使用深度学习随机梯度下降(SGD)算法作为分割模型的优化算法，学习率为0.01，动量为0.9，每个epoch进行一次衰减因子为1e-6的学习率衰减。在深度学习模型训练过程中，将深度学习模型输出的预测值与真实标签进行比较。输出的预测值与真实标签不一致时，该样本被用作反向传播的错误信号，从而允许网络迭代地调整其神经元权重以减少错误。

S33、每个任务中使用样本比例的倒数作为因数以调整其神经元权重，从而解决样例不平衡的问题，增加深度学习模型的准确性。

S34、为确定最终深度学习模型最佳的超参数，使用十折交叉验证方法对训练数据集(历史视网膜影像数据和历史DKD数据)进行验证。该方案随机将训练数据集分成十个独立的部分，在深度学习模型的每次运行中，其中九个部分用于深度学习模型的训练，剩余的一个部分用于深度学习模型测试，以促进参数选择和调整；重复完成十次，直到每个部分都参与深度学习模型的训练为止。

S35、采用加权的损失模型，有效效应对训练样本正负比例不均衡的问题。

S36、ResNet18模型是SoftMax分类器输出的二进制分类模型，在最后一层中使用2个节点来生成预测值，基于眼底彩照预测其对应的UACR和CKD分期。

作为本实施里的一种实施方式，DM患者的糖尿病肾病识别可以通过高维特征可视化进行表达，本发明实施例使用梯度加权类激活映射(Gradient-weighted ClassActivation Mapping，Grad-CAM)生成热图。使用目标概念梯度流入最终卷积层，生成大致的定位图，以突出眼底彩照中与DKD分期高度相关的关键区域。梯度值表示热图中每个点对输出概率值的贡献大小，梯度越大的区域代表对输出概率值的影响越大。与原始图像融合后，热图中突出显示的区域表示对于模型的决策过程最重要的区域。

本发明的深度学习模型可基于眼底彩照实现DKD的自动识别和分级，将对DM患者有很大的帮助。一方面，该系统可大大减轻医疗负担：本发明可被附加至现有的DR筛查系统中，筛查DR同时筛查DKD，实现两种DM微血管并发症的一次筛查。此外，就大多数DM患者而言，尤其是在偏远地区的患者，可实现定期筛查；并随人工智能的快速发展，期望日后可通过手机实现眼底摄影，以筛查DR和DKD。另一方面，DL模式可以降低经济成本：对于医疗机构而言，降低医疗器械采购成本、血液和尿液样本处理成本；对患者而言，简便且低成本的眼底摄影代替了繁琐且高成本的多次抽血和尿检。

实施例2：

如图2所示，本发明还提供一种慢性糖尿病肾病识别装置，包括：

获取装置，用于获取DM患者的历史视网膜影像数据和历史DKD数据；

预处理装置，用于对所述历史视网膜影像数据进行预处理；

训练模块，用于将预处理后的历史视网膜影像数据和历史DKD数据输入深度学习模型进行训练；

识别模块，用于将待识别DM患者的视网膜影像数据和DKD数据输入到训练后的深度学习模型，实现DM患者的糖尿病肾病识别。

作为本实施例的一种实施方式，所述深度学习模型为基于ResNet卷积神经网络的端到端深度学习模型。

作为本实施例的一种实施方式，所述历史DKD数据据包含：空腹血糖数据、糖化血红蛋白数据、糖化白蛋白数据、血清肌酐数据、β2-微球蛋白数据、尿液肌酐数据、尿液蛋白数据、尿液白蛋白数据。

作为本实施例的一种实施方式，所述预处理装置对所述历史视网膜影像数据进行预处理包含：降噪和切除空白边缘处理、去除眼底彩照255强度值的饱和像素、将眼底彩照大小调整为224×224像素、以及根据DM患者UACR和CKD分期对眼底彩照进行标记。

实施例3：

本发明还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现慢性糖尿病肾病识别方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。