(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210657364.1 (22)申请日 2022.06.10 (71)申请人 华中科技大 学同济医学院附属同济 医院 地址 430000 湖北省武汉市解 放大道1095 号 (72)发明人 肖俊　段曹辉　王亚楠　王志华　 (74)专利代理 机构 武汉宇晨专利事务所(普通 合伙) 42001 专利代理师 李鹏 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01)G06V 10/42(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于人工智能的膀胱镜图像分类方法 (57)摘要 本发明公开了一种基于人工智能的膀胱镜 图像分类方法。 将收集的膀胱镜图像和对应的目 标区域的图像块作为训练样本， 构建训练集； 构 建人工智能模 型； 根据训练样 本训练人工智能模 型， 获得最优人工智能模型参数； 将待分类的膀 胱镜图像和对应的膀胱镜图像中目标区域的图 像块输入到训练得到的人工智能模 型， 获得待分 类的膀胱镜图像的目标区域的类型。 本发明利用 全局特征提取模块和局部特征提取模块从膀胱 镜图像提取更为全面的特征， 同时利用通道 ‑空 间注意力模块将全局特征和局部特征有效结合， 能够提高膀胱镜图像分类的准确率和泛化 性能。 权利要求书1页 说明书3页 附图1页 CN 115035339 A 2022.09.09 CN 115035339 A 1.一种基于人工智能的膀胱镜图像分类方法， 其特 征在于， 包括以下步骤： 步骤1、 将收集的膀胱镜图像和对应的目标 区域的图像块作为一对训练样本， 各对训练 样本构成训练集； 步骤2、 构建用于膀胱镜图像的目标区域分类的人工智能模型； 步骤3、 根据训练样本训练人工智能模型， 获得最优人工智能模型参数 步骤4、 将待分类的膀胱镜 图像和对应的膀胱镜 图像中目标区域的图像块输入到训练 得到的人工智能模型， 获得待分类的膀胱镜图像的目标区域的类型。 2.根据权利要求1所述一种基于人工智能的膀胱镜图像分类方法， 其特征在于， 所述人 工智能模型包括全局特 征提取模块、 局部特 征提取模块、 特 征融合模块和Softmax分类层， 所述全局特 征提取模块用于提取膀胱镜图像的全局特 征FG； 所述局部特 征提取模块用于提取膀胱镜图像的目标区域的局部特 征FL； 所述特征融合模块用于将全局特征FG和局部特征FL级联获得特征FG,L， 并使用通道 ‑空 间注意力模块对 特征FG,L进行优化， 获得优化特征FAtt， 并将优化特征FAtt平铺展开为列向量 输入到Softmax分类层； 所述Softmax分类层用于根据输入的列向量输出， 输出膀胱镜图像的目标区域对应的 各类型概 率集合。 3.根据权利要求1所述一种基于人工智能的膀胱镜图像分类方法， 其特征在于， 所述通 道‑空间注意力模块的处 理步骤包括： 将特征FG,L输入一个3D卷积层产生 通道‑空间注意力图A， 优化特征FAtt＝σ(A)⊙FG,L+FG,L， 其中， σ 表示sigmo id激活函数， ⊙逐元素乘积； 将优化特 征FAtt平铺展开 为列向量， 输入Softmax分类层。 4.根据权利要求1所述一种基于人工智能的膀胱镜图像分类方法， 其特征在于， 所述步 骤3包括以下步骤： 步骤3.1， 定义膀胱镜图像的目标区域的分类的损失函数L( θ )： 其中， Yi为膀胱镜图像Xi的目标区域对应的实际类型， N为训练集中的膀胱镜图像的数 量， 为人工智能模型输出的第i幅膀胱镜图像Xi的目标区域的各个类型的概率值最大的 概率； 步骤3.2， 利用反向传播和梯度下降法训练人工智能模型， 寻找使损失函数L( θ )最小的 最优人工智能模型参数 权　利　要　求　书 1/1 页 2 CN 115035339 A 2一种基于人工智能的膀胱镜图像分类方 法 技术领域 [0001]本发明涉及膀胱镜、 人工智能、 医学图像分析等技术领域， 具体涉及一种基于人工 智能的膀胱镜图像分类方法， 适用于提高膀胱镜图像分类速度和准确度。 背景技术 [0002]在膀胱镜操作过程中， 运动、 镜面反射和气 泡等因素会导致膀胱镜图像存在伪影， 并且由于医生的经验不同， 在识别膀胱镜图像的精确度上存在很大困难， 这给后续膀胱镜 图片分类带来很大困难。 因此， 发展 膀胱镜图像自动分类技 术具有重要意 义。 [0003]最近， 人工智能在医学图像分类领域得到成功应用。 但在膀胱镜图像分类中， 人工 智能分类模型通常会受到伪影的影响而泛化性能较差。 为了克服伪影对人工智能模型的影 响， 本发明构造了一种新的人工智能的膀胱镜图像分类方法。 该方法利用全局特征提取模 块和局部特征提取模块从膀胱镜图像提取更为全面的特征， 同时利用通道空间注意力模块 将全局特征和局部特征有效结合， 从而有效提升膀胱镜图像识别并分类的准确率和泛化性 能。 发明内容 [0004]本发明现有技术中存在的上述问题， 提出一种基于人工智能的膀胱镜图像分类方 法。 [0005]本发明的上述目的通过以下技 术方案实现： [0006]一种基于人工智能的膀胱镜图像分类方法， 包括以下步骤： [0007]步骤1、 将收集的膀胱镜图像和对应的目标区域的图像块作为一对训练样本， 各对 训练样本构成训练集； [0008]步骤2、 构建用于膀胱镜图像的目标区域分类的人工智能模型； [0009]步骤3、 根据训练样本训练人工智能模型， 获得最优人工智能模型参数 [0010]步骤4、 将待分类的膀胱镜图像和对应的膀胱镜图像中目标区域的图像块输入到 训练得到的人工智能模型， 获得待分类的膀胱镜图像的目标区域的类型。 [0011]如上所述人工智能模型包括全局特征提取模块、 局部特征提取模块、 特征融合模 块和Softmax分类层， [0012]所述全局特 征提取模块用于提取膀胱镜图像的全局特 征FG； [0013]所述局部特 征提取模块用于提取膀胱镜图像的目标区域的局部特 征FL； [0014]所述特征融合模块用于将全局特征FG和局部特征FL级联获得特征FG,L， 并使用通 道‑空间注意力模块对特征FG,L进行优化， 获得优化特征FAtt， 并将优化特征FAtt平铺展开为 列向量输入到Softmax分类层； [0015]所述Softmax分类层用于根据输入的列向量输出， 输出膀胱镜图像的目标区域对 应的各类型概 率集合。 [0016]如上所述通道‑空间注意力模块的处 理步骤包括：说　明　书 1/3 页 3 CN 115035339 A 3