编辑推荐：
肾脏疾病中肾小球受损影响重大，为精准诊断与治疗，研究人员开展肾小球自动检测和分割研究。他们提出 FResMRCNN 模型，实验表明该模型能有效分割肾小球，在肾脏疾病诊断与治疗规划方面意义重大。
在健康医学领域，肾脏疾病近年来愈发常见，尤其是那些影响肾小球的疾病。肾小球作为肾脏的重要组成部分，负责过滤血液中的废物和多余化学物质。一旦肾小球受损，就像精密的滤网出现破洞，身体会随之出现各种问题，毒素无法正常排出，重要蛋白质流失，体液和电解质失衡，进而引发慢性肾病、肾衰竭等严重后果。传统上，病理学家只能手动识别组织病理学图像中的肾小球，这不仅耗时费力，而且由于肾小球形状、大小各异，病理学家经验水平不同，以及图像质量参差不齐等因素，结果的准确性和一致性难以保证。因此，寻找一种高效、准确的肾小球自动检测和分割方法迫在眉睫。
为了解决这一难题，研究人员开展了关于肾小球自动检测和分割的研究。他们提出了一种先进的模型 FResMRCNN（FPN - ResNet101 - Mask R - CNN），这是 Mask R - CNN 的增强版本，相关研究成果发表在《Cognitive Robotics》。该研究具有重要意义，准确的肾小球检测和分割能够帮助病理学家更精确地诊断肾脏疾病，评估疾病进展，还能为治疗方案的制定提供有力依据，推动肾脏疾病诊疗水平的提升。
研究人员开展此项研究用到的主要关键技术方法包括：利用公开的 HuBMAP 肾脏数据集，该数据集包含 15 张全切片图像（WSIs），涵盖多个肾脏样本的不同解剖区域；对数据进行预处理，将大尺寸的 WSIs 裁剪为 1024×1024 像素的小图像块，对小于该尺寸的图像块进行补零操作，使其尺寸统一；把图像块按 80% 训练集、20% 测试集进行划分，并对训练集图像块进行旋转、翻转等数据增强操作；采用 FResMRCNN 模型，该模型集成了 FPN 和经过筛选的 ResNet101 骨干网络，通过多个组件协同工作实现肾小球的检测和分割；使用 Dice 系数、Jaccard 指数和二元交叉熵损失等指标评估模型性能。
下面来看具体的研究结果：
- 不同骨干网络的分析：研究人员在模型中使用了 ResNet101、ResNet50 等七种不同的骨干网络。通过计算不同骨干网络下的 Dice 系数、Jaccard 指数和损失等性能指标发现，ResNet101 表现最佳，其 Dice 系数达到 93.34%，Jaccard 指数为 87.51%，损失为 9.37% ，表明其在肾小球分割上具有最高的准确性和最低的误差。
- ResNet101 与 FPN 集成的分析：选择 ResNet101 作为最佳骨干网络后，研究人员将其与 FPN 集成。结果显示，集成后的模型在所有评估指标上都有所提升，Dice 系数提高到 94.83%，Jaccard 指数提升至 90.17%，损失降至 7.21%，说明 FPN 的集成增强了模型检测和分割肾小球的能力，减少了分割误差，提升了整体性能。
- 肾小球检测和分割的可视化分析：研究人员对不同尺寸图像块进行了可视化分析。在 1024×1024 像素的图像块中，从原始图像块到标注边界框，再到实例目标检测和预测的肾小球掩码，与真实掩码对比，发现预测掩码与真实掩码高度相似，证明了模型的有效性。对于 512×512 像素的图像块，同样进行了类似分析，进一步验证模型在不同分辨率下的性能。
- 与前沿模型的比较：将 FResMRCNN 模型与其他前沿模型对比，结果表明，FResMRCNN 模型的 Dice 系数达到 0.9483，优于之前发表的方法，凸显了该模型在肾小球分割方面的优势。
综合来看，研究人员提出的 FResMRCNN 模型在肾小球分割研究中取得了显著成果。通过多种实验和分析，证明了该模型能够准确地生成边界框和分割掩码，在肾脏病理学分析自动化方面具有巨大潜力。不过研究也存在可拓展的方向，比如纳入更多样、更广泛的数据集，探索基于 Transformer 的模型或混合网络等先进深度学习架构，以及实现模型在临床环境中的实时应用等，有望为肾脏疾病的诊断和治疗带来更多突破。
