在囊镜图像中基于人工智能的膀癌的分类和细分
Won Ku Hwang1, Seon Beom Jo1, Da Eun Han1
1Department of Urology, Korea University Guro Hospital, Korea University College of Medicine, Seoul 08308, Republic of Korea.
Cancers
|January 11, 2025
概括
深度学习模型VGG19和Deeplab v3+在从囊镜图像中对膀癌的分类和细分方面显示出高准确性,这可能有助于改善诊断并减少复发.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 囊镜对于膀癌的诊断至关重要,但与模两可的病变,如瘤 in situ (CIS) 斗争.
- 识别微妙病变的局限性导致膀癌复发率高.
- 深度学习显示了增强泌尿病学医学图像分析的前景.
研究的目的:
- 应用VGG19和Deeplab v3+深度学习模型来分类和细分膀癌的囊镜图像.
- 评估这些模型在识别癌症病变及其形态方面的表现.
主要方法:
- 利用772名患者的囊囊镜图像数据集,经验丰富的泌尿科医生对其进行了注释.
- 开发了一种VGG19模型,根据形态学和病理学对病变进行分类.
- 使用Deeplab v3+模型对不同膀癌形态进行细分.
- 使用稀疏的分类交叉和子系数损失函数,分别用于分类和细分.
主要成果:
- VGG19分类模型的准确度达到0.912.
- 深度实验室v3+细分模型实现了0.833的交叉与联盟 (IoU) 和0.951.95的二进制准确性.
- 视觉检查证实了Deeplab v3+细分和专家注释之间的高度一致.
结论:
- VGG19和Deeplab v3+在从囊泡镜图像中对膀癌症进行分类和细分方面表现出强的性能.
- 这些深度学习模型为膀癌研究提供了宝贵的工具.
- 这些模型显示了帮助临床医生更有效地诊断膀癌的潜力.


