一种慢性糖尿病肾病识别方法和装置、存储介质与流程

本发明属于疾病识别，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：

1、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。

2、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。

技术实现思路

1、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。

2、为实现上述目的，本发明采用如下的技术方案：

3、一种慢性糖尿病肾病识别方法，包括以下步骤：

4、s1、获取dm患者的历史视网膜影像数据和历史dkd数据；

5、s2、对所述历史视网膜影像数据进行预处理；

6、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；

7、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。

8、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。

9、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。

10、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

11、本发明还提供一种慢性糖尿病肾病识别装置，包括：

12、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；

13、预处理装置，用于对所述历史视网膜影像数据进行预处理；

14、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；

15、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。

16、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。

17、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。

18、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

19、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。

20、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。

技术特征：

1.一种慢性糖尿病肾病识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，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。

3.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，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。

4.如权利要求1所述的慢性糖尿病肾病识别方法，其特征在于，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。

5.一种慢性糖尿病肾病识别装置，其特征在于，包括：

6.如权利要求5所述的慢性糖尿病肾病识别装置，其特征在于，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。

7.如权利要求6所述的慢性糖尿病肾病识别装置，其特征在于，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。

8.如权利要求7所述的慢性糖尿病肾病识别装置，其特征在于，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。

9.一种存储介质，其特征在于，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如权利要求1至4所述的慢性糖尿病肾病识别方法。

技术总结
本发明公开一种慢性糖尿病肾病识别方法和装置、可读介质，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。采用本发明的技术方案，克服现有DKD识别分级方法存在有创、高成本且繁杂的缺陷。

技术研发人员：余洪华,杨小红,蔡宏民,刘宝怡,张滨,肖宇,方莹,马建华
受保护的技术使用者：广东省人民医院
技术研发日：
技术公布日：2024/1/12