目的:肾脏连续组织切片中的微细结构检测对于基础肾脏学的研究具有重要意义,随着深度学习与计算机辅助技术的发展,通过计算机视觉中的目标检测算法实现肾脏微细结构的识别并进行肾小球发育时期的分类,可以为肾脏的发生发育和肾小球的发生发育形态学研究提供手段。研究方法:本研究选取了三个小鼠肾脏发育时期的连续切片图像,包括胚龄14天,胚龄17天和出生后5天,总计265张图像,标记了18098个肾小球作为研究的数据集。通过数据增强方法缓解肾小球发生发育过程中四个时期的数据分布不均衡情况。为解决肾脏组织切片图像中肾小球的识别任务,本实验采用基于Faster R-CNN的深度学习目标识别算法,利用ResNet-50-FPN网络作为基础特征提取器,实现三个不同发育时期的小鼠肾脏中肾小球的检测及不同肾小球发育时期的分类。为了提高二维切片中肾小球检测模型的性能,本研究提出了互补候选框算法,根据二维序列式图像的特点,建立虚拟三维目标空间,利用三维离散目标的识别结果对二维连续图像目标的识别结果进行修正。结果:本研究对多个数据集进行训练和测试,包括原始数据集及其三个肾脏发育时期的数据子集和数据增强后数据集及其三个肾脏发育时期的数据子集,训练集与测试集数据量的比例为8:2,对多个模型的性能进行比较,经过数据增强模型的性能提升了33%,模型在测试集上的精确性为0.91,召回率为0.90。另外,通过本研究提出的互补候选框算法修正后,模型在测试集上的精确性为0.94,召回率为0.92。结论:本研究通过深度学习方法实现对三个发育时期的小鼠肾脏组织切片图像中肾小球的检测和分期分类,为肾脏学的基础研究提供了自动化检测方法,减少了人力物力的资源消耗,提高了基础肾脏学研究的效率,有助于未来肾脏发生发育研究的发展和进步。