编者按：

为提高科技成果转移转化成效，解决临床实际需求问题，助推产学研深度合作，医学与现代化工程技术的交叉融合正不断造福人类健康，成为突破医学“卡脖子”技术的重要途径。《中国组织工程研究》杂志联合辽宁省细胞生物学学会开设“医工融合理工科专家技术介绍”专栏，为临床需求问题提供技术对接信息来源。如果您有想要解决的临床需求问题，需要理工科专家的技术支持，欢迎与我们联系！

1.研究背景：

乳腺癌是影响全世界女性的最常见恶性肿瘤之一 。早期检测和准确诊断对于成功治疗和改善患者预后至关重要。在各种成像方式中，乳腺超声因其非侵入性、成本效益和无电离辐射而受到广泛关注。它在乳腺病变的筛查和诊断中发挥着关键作用。近年来，计算机辅助诊断（CAD）系统在乳腺癌筛查和诊断中发挥了重要作用。图像分割是 CAD 系统中的关键步骤，因此使用高效的乳腺图像分割网络将提高 CAD 系统对乳腺癌的诊断准确性。然而，由于乳腺超声图像边界模糊、对比度低、散斑噪声等特点，乳腺病灶分割具有挑战性。此外，目前许多乳腺肿瘤分割网络过于复杂，而难以在实践中应用。

2.技术介绍:

我们提出了 GDUNet模型，一种轻量级的乳腺肿瘤分割方法。在这项工作中，我们改进了 Inverted bottleneck ，并使用它和tokenized MLPs模块形成编码器。我们下采样采用的是Condconv条件卷积，相比池化方法，它可以捕获更多的信息。解码器是由两个tokenized MLPs和三个普通卷积层构成。此外，我们在跳跃连接中设计了一个轻量级的attention gate (AG)。AG通过空间和通道两个维度过滤低层语义信息中的噪声，从而抑制不相关的特征。与经典UNet 相比，我们减少了每层的特征通道数，将通道数改变成 16、32、128、160 和 256。

通过实验证明，我们的方法具有很好的分割结果，又具有很高的效率。该模型的参数量为3.42M，计算复杂度GFLOPs仅为0.69，推理一张256x256的乳腺超声图像时间仅为8.50ms,fps达到117。

3.项目团队特色介绍：

我们项目团队的研究方向是基于深度学习的乳腺癌大数据分析。针对当前医学图像分割领域因缺乏具有高质量标签的数据资源而无法得到泛化能力好又高效的肿瘤分割模型，展开了数据有限下的乳腺癌超声图像分割算法的研究。

马贺，博士，东北大学医学与生物信息工程学院副教授、副院长，博士生导师；新加坡国立大学苏州研究院客座研究员。2008年本科毕业于东北大学计算机科学与技术专业（尖子班）；2014年博士毕业于新加坡国立大学计算机科学系。担任医学成像与智能分析教育部工程中心副主任、辽宁省细胞生物学学会细胞损失修复与组织重建专委会副主任委员、辽宁省科技伦理治理专家组成员等。主要研究方向为：医学人工智能、医学图像处理等。主持和参与了包括国家自然科学基金在内的科研项目10余项，发表论文60余篇，授权发明专利3项，软件著作权8项。

4.临床痛点：

手动分割乳腺超声图像中肿瘤，费时，费力。由于乳腺组织的复杂性、图像中噪声和伪影的存在等因素，全自动乳腺超声图像分割面临着诸多挑战。很多乳腺超声图像分割方法过于复杂，不能满足实时性，难以应用到计算机辅助系统（CAD）中。

5.临床合作需求：

我们的轻量化的全自动乳腺肿瘤分割算法研发完成，并且已经申请专利。目前需要有数据的验证，以及超声厂家或者临床科室的合作，可以一起合作研发一台适用于乳腺肿瘤筛查的超声机，把该方法推广到实际应用当中去，从而实现该算法的应用价值。

6.联系项目团队：