文献类型：期刊文章

作　　者：温佳圆[1] 林国钰[1] 张逸文[1] 周志涛[2] 曹蕾[1] 冯琴昌[3]

WEN Jiayuan;LIN Guoyu;ZHANG Yiwen;ZHOU Zhitao;CAO Lei;FENG Qinchang(School of Biomedical Engineering,Southern Medical University,Guangzhou 510515,China;Electron Microscope Room,Central Laboratory,Southern Medical University,Guangzhou 510515,China;Guangdong Institute of Medical Instruments,Guangzhou 510500,China)

机构地区：[1]南方医科大学生物医学工程学院,广东广州510515 [2]南方医科大学中心实验室电镜室,广东广州510515 [3]广东省医疗器械研究所,广东广州510500

出　　处：《中国医学物理学杂志》

基　　金：广州市科技计划项目产学研协同创新重大专项（2016040-20144）;南方医科大学大学生创新创业训练项目（201812121012）

年　　份：2020

卷　　号：37

期　　号：2

起止页码：195-204

语　　种：中文

收录情况：CSCD、CSCD_E2019_2020、JST、ZGKJHX、普通刊

摘　　要：肾小球滤过膜包含内皮细胞、肾小球基底膜和足细胞3层超微结构,其形态改变是诊断肾小球疾病的重要指标之一。准确的滤过膜语义分割有助于病理医生识别和判断滤过膜细微的病理改变,为相关的病理诊断提供帮助。由于肾小球滤过膜的超微病理图像不仅结构复杂而且灰度分辨率很低,传统的分割算法均只能对其中形态最简单的基底膜部分进行分割,分割精度也难以保证。本文提出基于深度学习网络DeepLab-v3的肾小球滤过膜自动语义分割算法,应用空洞卷积扩大感受野,控制图像的特征分辨率,再通过空洞空间金字塔池化来获得多尺度的图像信息,最终将肾小球滤过膜的3个组成部分同时分割出来,并均能达到较好的分割效果。本文通过对重要参数进行实验探究,使得平均分割准确度达到0.776,是目前效果相对较好的模型。

关 键 词：深度学习  DeepLab  肾小球滤过膜 超微病理图像  语义分割  

分 类 号：R36] TP391.5[基础医学类]