肾脏病理切片的质量不仅对临床病理诊断的可靠性具有决定性影响,其数字化图像的质量还可能影响远程诊断和计算机智能分析算法的准确性。首先,高质量的肾脏病理切片能够有效增强病理医生对诊断结果的信心,从而确保疾病诊断的准确性和后续治疗方案的合理性。其次,调动高水平专家服务资源缺乏地区的远程诊断技术为保证疾病诊断的可靠性,对能够距离传输的数字化病理图像质量也提出了高要求。另外,为减轻医生工作负担而开发的肾脏病理智能辅助诊断系统也需要在图像输入计算机算法进行智能分类和分析之前检测其质量,通过高质量的可用图像训练高性能的智能模型和获得高可信度的分析结果。目前,在实际病理诊断和数字病理图像应用中,评估肾脏病理切片和数字图像质量的任务主要由病理医生通过显微镜观察完成。他们需要在光学显微镜下反复调整切片放大倍数并移动视野,根据肉眼观察结果主观地判断其质量情况。这一过程不仅费时费力,并且极易受到个体观察差异的影响,带来很强的主观性和不可重复性。而基于计算机评价肾脏病理图像质量时,由于病理图像分辨率极高、图像特征复杂,导致其无法被计算机直接读取和处理,这限制了肾脏病理图像质量自动化评价方法的开发和应用。针对以上问题,本文基于融合的深度学习模型,提出了一种联合全局和局部感兴趣区域的无参考肾脏病理图像质量评价方法。该方法结合临床切片质量检查过程预处理数据,为每张高分辨率肾脏病理图像建立子图像集,有效保留肾脏病理图像的全局和局部细粒度特征,使得质量评价结果更加符合实际诊断要求。融合的深度学习特征提取器能够有效应对图像特征的高复杂性,确保模型的良好性能。为降低质量分数标签的获取难度,本文采集了更符合人类心理学的定性质量评价标签,并通过算法实现同时预测定性和定量质量情况。本文方法包括三个模块:融合CNN分类模块、质量分数计算模块和综合质量评价模块。融合CNN分类模块实现了对子图像的定性分类;质量分数计算模块则在计算子图像质量分数的基础上,联合全局和感兴趣区域质量获得整体图像的综合质量分数,实现定量评价;综合质量评价模块基于模糊集合理论,把连续性的综合质量分数离散到不同的质量集合中,实现图像质量定性评价。本文收集了1105例患者的肾脏组织全视野数字图像用于质量评价模型的训练和测试。通过训练好的模型,能够端到端地定性评估一张病理图像的质量情况,同时给出一个具有参考性的质量分数。在测试集上,该方法与高级病理医生定性评估的一致性可达90.05%,达到了初级病理医生的水平。同时,在判断图像可用性的二分类任务中,准确性可达99.095%。这表明,本文方法能够在病理诊断、远程诊断和肾脏病理智能分析任务中较为可靠地评估肾脏病理图像的可用性,为后续的病理诊断和智能分析提供保障。此外,本文工作建立的肾脏病理图像的质量评价数据库中包含大量高质量和高分辨率的感兴趣区域图像,可用于疾病病灶识别算法的开发;制定的图像质量评价标准也可以为未来图像的标准化和修复提供指导。