近日，我校bwin必赢导师柳培忠教授课题组联合福建医科大学附属第二医院吕国荣教授课题组在智能超声领域取得一系列研究进展。
1、在《COMPUTERS IN BIOLOGY AND MEDICINE》上发表题为“Automatic detection and diagnosis of thyroid ultrasound images based on attention mechanism”的论文，论文链接：https://doi.org/10.1016/j.compbiomed.2022.106468。论文第一作者是bwin必赢硕士研究生喻正纲。
近年来，甲状腺癌的发病率急剧增加。在临床情况下的工作在很大程度上依赖于超声医生的主观经验。为了解决这些问题，本研究提出一种基于注意机制的计算机辅助诊断方法。由于其轻量级的特性，该模型可以快速识别结节，并区分良性和恶性结节，而无需使用太多的硬件。该模型使用一个边界框来定位甲状腺结节，并确定其是良性还是癌变，并输出甲状腺结节超声图像的诊断结果。最新的注意力机制被用来以一小部分的成本获得更好的结果。此外，根据甲状腺成像报告和数据系统标准，收集甲状腺良恶性结节不同特征的超声图像。实验结果表明，该方法对甲状腺结节快速有效，结果mAP值达到0.89，恶性结节mAP值达到0.94，单像检出率达到7 ms。
2、在《COMPUTERS IN BIOLOGY AND MEDICINE》上发表题为“TUSPM-NET: A Multi-Task Model for Thyroid Ultrasound Standard Plane Recognition and Detection of Key Anatomical Structures of the Thyroid”的论文，论文目前已被期刊接收（Accept），即将出版。论文第一作者是bwin必赢硕士研究生曾攀。
甲状腺是位于颈部前部的一个重要的腺体。甲状腺超声成像是一种无创的、广泛应用的诊断甲状腺结节性生长、炎症和肿大的技术。在超声检查中，获取超声标准切面是疾病诊断的关键。然而，在超声检查中获得标准的切面可能是主观的，费力的，并且严重依赖于超声医生的临床经验。为了克服这些挑战，作者设计一个多任务模型TUSP多任务网络TUSPM-NET（模型结构如下）。
该模型可以识别甲状腺超声标准切面，并实时检测甲状腺超声标准切面中的关键解剖结构。为了提高TUSPM-NET的精度和在医学图像中的先验知识，该团队提出了甲状腺切面目标类别损失函数和切面目标位置过滤器。实验表明，TUSPM-NET能够准确识别甲状腺超声标准切面图像并检测甲状腺超声标准切面中的关键解剖结构。与目前性能较好的模型相比，TUSPM-NET的目标检测的mAP@0.5：0.95提高了9.3%；切面识别的Precision和 Recall分别提高了3.49%和4.39%。此外，TUSPM-NET识别甲状腺超声标准切面图像并完成对甲状腺超声标准切面图像中关键解剖结构的识别的仅需19.9 ms，这意味着该方法非常适合实时临床扫描的需要。当超声医生用超声探头扫描甲状腺时，TUSPM-NET既可以实时可视化当前图像中甲状腺的关键解剖结构，又可以实时识别和捕获TUSP图像。TUSPM-NET可以很好地帮助超声医生准确地获取高质量的TUSP图像，并减少超声医生的工作量。
3、在超声研究国际权威刊物《Ultrasound in Medicine & Biology》上发表题为“Ultra-Attention: Automatic Recognition of Liver Ultrasound Standard Sections Based on Visual Attention Perception Structures”的论文，论文链接：https://doi.org/10.1016/j.ultrasmedbio.2022.12.016。论文第一作者是bwin必赢硕士研究生张健松。
获得标准切面是超声诊断的先决条件。长期以来，由于医生的经验，对标准肝视图缺乏明确的定义。然而，标准肝切面的精确自动扫描仍然是超声医学中最重要的问题之一。在本文中，该团队从临床实践中丰富和扩展了肝脏超声标准切面的分类标准，并提出了一种 Ultra-Attention结构化的感知策略来自动识别这些切面。受自然语言处理中注意机制的启发，标准肝脏超声视图将作为模块化局部图像参与到全局注意算法中，显著放大否则会被忽视的小特征。除了利用dropout机制外，还使用了 Part-Transfer Learning训练方法来调整模型的收敛速度，以提高其鲁棒性。所提出的Ultra-Attention模型优于各种传统的基于卷积神经网络的技术，取得了该领域最高的已知性能，分类准确率为93.2%。作为特征提取过程的一部分，本文还举例说明并比较了CNN的相关方法。该研究为今后超声图像中局部模块化特征捕获的研究提供了合理的思路。通过制定基于肝脏超声的疾病诊断的标准扫描指南，这项工作将推进由肝脏超声标准切面指导的自动疾病诊断的研究。
4、在超声研究国际权威刊物《Ultrasound in Medicine & Biology》上发表题为“Real-Time Automatic Assisted Detection of Uterine Fibroid in Ultrasound Images Using a Deep Learning Detector”的论文。论文链接：https://doi.org/10.1016/j.ultrasmedbio.2023.03.013。论文第一作者是工学院硕士研究生杨田田。
子宫平滑肌增生会引起一种叫做子宫肌瘤的肿瘤。它的发病率高达30%，是女性中最常见的肿瘤之一，在所有妇科疾病中排名第三。虽然子宫肌瘤通常不伴有症状，但有身体影响，如怀孕能力。为了降低发病率，早期发现和治疗是至关重要。超声成像是术前引导和介入治疗的常用方法。随着深度学习在医学图像分析领域的发展，目标检测的许多应用都表现良好。为了保证准确性，计算机辅助检测可以进一步解决不同医生在阅读图像时产生的主观问题。在本文中，提供了一种改进的YOLOv3模型，该模型结合了EfficientNet和YOLOv3的特性，使用卷积神经网络提取特征，以检测子宫肌瘤超声图像。结果：该方法的F1得分为95%，平均精度为98.38%，每张图像的检测速度为0.28 s。
