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。
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。