人工智能在膀胱镜图像诊断中的应用研究.pdf

摘要

摘要

目的：基于语义分割算法在膀胱镜图像中建立深度学习模型，对膀胱肿瘤

的膀胱镜图像进行诊断分类，区分病理分级，为膀胱肿瘤的治疗方式和预后随

访提供依据。

方法：回顾性收集我院2010年1月-2021年8月收治的261例膀胱肿瘤患

者的膀胱镜图像。根据不同病理分级的膀胱肿瘤在膀胱镜下的图像特征将图像

分为3类，其中乳头状瘤或低度恶性潜能的乳头状瘤116例，185张图像；低

级别尿路上皮癌63例，97张图像；高级别尿路上皮癌42例，62张图像。经数

据扩增，最终得到2408张图片，并以8:1:1的比例进行随机划分得到训练集，

测试集和验证集。采用多层次特征语义融合分割算法（multilevelfeature

semanticfusionnetwork，MFSFNet）对图像进行分割。并将其与4种经典语义

分割模型在我们的数据集上进行对比实验，最后将外部数据集按临床信息（是

否浸润肌层、性别、年龄、是否吸烟、有无膀胱癌家族史）进行分组探索模型

的临床应用价值，预测膀胱镜图片的分类，采用平均像素精度（MeanPixel

AccuracyMPAMeanIntersectionoverUnionMIoU

，）、平均交并比（，）、交叉

熵损失函数、模型参数量（Parameters）、画面每秒传输帧数（FramePer

Second,FPS）作为模型实验分割的评价指标，并计算模型图像分类的准确率。

结果：经过图像识别训练的MFSFNet区分乳头状瘤或低度恶性潜能乳头状

瘤、低级别尿路上皮癌、高级别尿路上皮癌的MPA为95.93%和MIoU为

92.54%，其图像分类的准确率96%，相较于其他4类经典的模型具有一定的优

51%60

势。在分组实验中，整体图像分类准确率为，非浸润组、男性组、岁、

吸烟组及有膀胱癌家族史组中图像分类准确率具有更高的准确率，分别为56%、

56%、54%、53%、71%。

结论：MFSFNet网络模型在对膀胱镜图像上的膀胱肿瘤分割的效果良好，

同时能较好的对膀胱肿瘤图像进行分类，证明了深度学习语义分割模型在膀胱

肿瘤分割任务中的应用前景，具有一定的临床应用价值，能够为膀胱肿瘤患者

的早期诊断分类和个性化治疗提供有价值的信息，促进人类健康事业的发展。

关键词：人工智能；深度学习；语义分割；膀胱肿瘤；膀胱镜图像

II

Abstract

ABSTRACT

ObjectiveToestablishadeeplearningmodelincystoscopyimagesbasedon

semanticsegmentationalgorithm,classifycystoscopyimagesofbladdertumors,

distinguishpathologicalgrades,andprovidebasisforthetreatmentofbladdertumors

andprognosticfollow-up.

MethodsCystoscopyimagesof261patientswithbladdertumoradmittedtoour

hospitalfromJanuary2010toAugust2021wereretrospectivelycollected.According

tothecharacteristicsofcystoscopicimagesofbladdertumorswithdifferent

pathologicalgrades,theimagesweredividedi