在医疗技术飞速发展的当下,深度学习正以前所未有的深度和广度融入医学领域,为疾病诊断和治疗带来新的突破。西京学院省级“大学生创新创业训练计划”项目“基于深度学习的血管瘤辅助诊断系统”在这一趋势的引领下获得了研究成果,其研究成果在血管瘤诊断和乳腺肿瘤检测等方面展现出巨大的应用价值。 

血管瘤是一种源于血管内皮细胞的肿瘤性疾病,在婴幼儿及30 - 50岁成年人中发病率较高。临床治疗主要依靠手术切除,目前多由经验丰富的医师通过观察超声图像确定病变区域后进行手术。然而,血管瘤部分呈弥漫性生长,边界模糊,加上医学图像常受设备噪声、位置等因素干扰,导致手术切除难度大,复发率高达30% - 50%。这就使得患者后续需要频繁复诊并拍摄超声图像观察,给患者和医生都带来了极大的负担。因此,精准的血管瘤分割系统对于辅助医生获取准确病变信息、降低手术失败率、减轻阅片医师负担以及提升检测效率至关重要。 

西京学院的项目团队凭借深度学习技术的精确性,在2024年第六届全球校园人工智能算法精英大赛(精英亚赛区)省级选拔赛中荣获二等奖。他们基于深度学习的血管瘤图像分割研究成果,能够快速、精准地划分病变区域,减少对患者的不必要伤害,为后续治疗提供有力支持。 

在技术实现层面,该项目采用U - Net网络。U - Net在医学图像分割领域成果显著,它能有效提取特征,提升分割精度。同时,项目以MobileNetV2为骨干网嵌入Unet模型。MobileNetV2采用的深度可分离卷积网络,实现了神经网络的轻量化和加速,减少了模型参数数量,提高了血管瘤分割速度。这一优化使得基于轻量化Unet的血管瘤分割系统成功部署到Jetson TX2便携式设备上,摆脱了对笨重深度学习工作站的依赖,让医生能够随时随地对血管瘤图像进行诊断,提升了诊断的便捷性,确保患者能接受更及时、理想的治疗。

不仅如此,团队没有局限于血管瘤领域的成果,而是将目光投向了乳腺肿瘤自动分割这一更具挑战的领域。乳腺癌是全球女性健康的重大威胁,每年导致大量女性死亡。现有的乳房X光检查、超声和MRI成像等检测手段虽各有优势,但都存在明显不足。乳房X光检查虽能有效检测早期肿瘤,但误诊率高,且会让患者承受辐射风险;超声成像则过于依赖医生经验,不同医生的诊断结果可能存在差异。 

针对这些问题,项目团队凭借在血管瘤分割研究中积累的技术经验,致力于开发高性能的乳腺肿瘤计算机辅助诊断(CAD)系统。他们的努力取得了丰硕成果,发表了SCI检索论文一篇,并在竞赛中获得3项省级三等奖。这些成果充分彰显了团队在深度学习与医学图像分析领域的深厚技术实力和创新能力。

随着深度学习在医学领域的深入发展,医学影像辅助诊断已成为我国医疗领域不可或缺的部分。血管瘤分割技术通过分析超声图像灰度值变换、色块分布和纹理特征,将图像分割成不同区域,根据区域边界灰度值的不连续性对病变区域进行调整,对每个像素点进行预测分类,从而实现病变区域的快速分割,为医师提供精准参考,减轻工作负担。 西京学院“基于深度学习的血管瘤辅助诊断系统”项目的成功,为医学领域的智能化发展提供了宝贵经验。展望未来,项目团队将继续深耕医学影像分析领域,不断探索创新,为患者带来更多福祉,推动医疗技术向更高水平迈进。(西京学院 袁宝玺)