[發明專利]基于深度學習的膀胱鏡下腫瘤智能分割方法、裝置及設備

在審

• 申請號: 202110037412.2
• 申請日: 2021-01-12
• 公開（公告）號: CN114764855A
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 張琦;金新廣;楚天廣;畢海
• 申請（專利權）人: 張琦
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 付登云

本發明涉及醫療與人工智能交叉領域，具體涉及一種基于深度學習的膀胱鏡下腫瘤智能分割方法、裝置及設備。其中，本申請提供的基于深度學習的膀胱鏡下腫瘤智能分割方法，包括：獲取膀胱鏡下膀胱圖片；將所述圖片輸入至預先訓練的深度學習模型，得到對所述膀胱圖片中的腫瘤圖樣進行識別；輸出識別結果，供相關人員進行參考。如此，基于深度學習技術，通過構建深度神經網絡模型來實現端到端的圖像處理、智能診斷功能，從而輔助醫生做出診斷，降低臨床上對于膀胱癌的誤診、漏診率。

技術領域

本發明涉及醫療與人工智能交叉領域，具體涉及一種基于深度學習的膀胱鏡下腫瘤智能分割方法、裝置及設備。

背景技術

膀胱癌是泌尿系統最常見的惡性腫瘤，發病率居所有惡性腫瘤第7位，男性中，膀胱癌居第4位.每年大約確診膀胱癌患者61700例，據統計，早期膀胱癌生存率能達到90％以上，但是臨床上仍然存在不少患者因為誤診、漏診、繁瑣檢查等原因延誤治療。目前，膀胱鏡聯合組織病理依然是膀胱癌診斷的金標準，膀胱鏡檢查也是膀胱癌術后復查的標準方案。但是，由于膀胱腫瘤形態多樣，可呈現絨毛樣、濾泡樣、平坦紅斑樣等，常與多種炎性病變類似，這可能導致醫生誤將腫瘤病變判定為良性病變，從而錯過活檢引起漏診。

另外，根據膀胱腫瘤的類型不同，膀胱癌的治療措施有所不同。比如，非肌層浸潤性膀胱癌一般采用電切治療，而肌層浸潤性膀胱癌一般采用膀胱全切治療。目前，膀胱鏡僅能觀察到膀胱腫瘤的膀胱內情況，它的活檢因為取材表淺只能判定是否是癌，但是無法判定具體類型及腫瘤完整區域。有經驗的泌尿外科醫生可以通過膀胱腫瘤形態大致判定腫瘤類型，但并非所有泌尿外科醫生都可以完成這種經驗判斷，且這樣的經驗判斷也無法作為金標準進行實施。因此，患者必須在膀胱鏡檢查后再接受一次診斷性電切，以完整切除腫瘤及腫瘤基底組織，通過組織病理判定其類型及浸潤情況，然后決定下一次治療的方案和措施。這種電切過程大大增加了患者的負擔，并非最優化的治療方案。

發明內容

有鑒于此，提供一種基于深度學習的膀胱鏡下腫瘤智能分割方法、裝置及設備，以解決相關技術中的問題。

本發明采用如下技術方案：

第一方面，本發明實施例提供了一種基于深度學習的膀胱鏡下腫瘤智能分割方法，該方法包括：

獲取膀胱鏡下膀胱圖片；

將所述圖片輸入至預先訓練的深度學習模型，得到對所述膀胱圖片中的腫瘤圖樣進行識別；

輸出識別結果，供相關人員進行參考。

可選的，所述深度學習模型包括：良惡性診斷子模型和膀胱腫瘤分割子模型；

所述良惡性診斷子模型用于識別所述圖片為良性病變或惡性腫瘤；

所述膀胱腫瘤分割子模型用于識別所述圖片中的具有腫瘤的位置，并進行分割。

可選的，所述預先訓練的問答模型的訓練過程包括：

獲取第一訓練樣本；

基于所述第一訓練樣本對預設的良惡性診斷深度學習模型節進行訓練，得到良惡性診斷子模型；

獲取第二訓練樣本；

基于所述第二訓練樣本對預設的膀胱腫瘤分割深度學習模型進行訓練，得到膀胱腫瘤分割子模型。

可選的，所述獲取第一訓練樣本，包括：

構建膀胱鏡影像數據庫，獲取膀胱鏡影像；

對膀胱鏡影像進行分類標注；采用0-1標簽，將惡性腫瘤圖像標注為1，良性病變標注為0。

可選的，所述獲取第二訓練樣本包括：

構建膀胱鏡影像數據庫，獲取膀胱鏡影像；