医工融合理工科专家技术介绍（第14期）：GDUNet:一种轻量化的乳腺肿瘤分割方法

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！

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。

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。

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：

5.临床合作需求：