近日,安徽工程大学本科生 海旭阳、蒋翌超,鲍梦原在指导老师刘进的帮助下,于医学图像处理领域深耕钻研,借助卷积神经网络(CNN)技术实现重大突破,在推动医学图像技术发展及促进先进医学全国化应用方面成果显著

技术创新:CNN 算法赋能医学图像精准诊断

• 低剂量 CT 图像去噪与重建:团队研发的多尺度残差注意网络(MRAN),通过自适应多尺度特征融合模块(AMFFM)和空间残差信息模块(SRIM),有效提升低剂量 CT 图像质量。该模型在去噪过程中,结合 PSNR 增强损失函数,既保留图像高频细节,又提高峰值信噪比,使低剂量 CT 在降低辐射剂量的同时,诊断准确性

接近正常剂量 CT 水平,为 CT 检查的普及和辐射安全提供技术支撑。

• 肿瘤识别与激光修正技术:提出基于 CNN 的肿瘤识别算法,结合激光修正技术,通过低频调制保障信号稳定性、椭圆拟合算法抑制非线性误差,提升肿瘤检测精度。例如,在肺结节检测中,算法可识别直径 0.5 毫米以下的小结节,敏感度超 95%,且通过激光修正减少因组织散射等因素导致的误判,为肿瘤早期筛查和精准治疗奠定基础。

• 跨模态与多尺度特征融合:开发的算法支持 CT、病理、基因等多模态数据融合诊断,如华为 “盘古医学大模型”,相比单一模态分析准确率提升 10% 以上。同时,通过多尺度卷积胶囊网络(MSCCN)等架构,整合不同分辨率图像特征,实现从微观病变到宏观解剖结构的全面分析,适用于复杂病例的精准诊断。

应用落地:从技术研发到临床与产业化

• 急诊与公共卫生事件响应:在急诊场景中,AI 系统借助 CNN 算法快速分析急诊 CT 图像,5 分钟内完成脑出血、气胸等危急病症的识别与标记,降低死亡率 15%。在 COVID-19 疫情期间,AI-CT 系统 10 秒内完成肺部磨玻璃影识别,单日处理影像超 10 万例,助力方舱医院大规模筛查,提升公共卫生事件应对效率。

• 工业化生产与标准体系构建:建立完整的工业化生产流程,涵盖数据收集(如三甲医院 PACS 系统、AAPM Grand Challenge 数据集)、算法开发(ResNet、U-Net 等架构优化)、系统集成与测试等环节。同时,推动行业标准制定,如参与《卫生健康行业人工智能应用场景参考指引》等政策文件的实践落地,为医学 AI 的规范化应用提供支撑。

社会效益:推动医学全国化与行业革新

• 医疗资源优化与效率提升:通过自动化分级诊疗系统,CNN 算法合理分配医疗资源,在基层医疗中为经验不足的医生提供辅助诊断建议,减少误诊;在大型医院,加速影像分析速度,使单台 CT 年检查量增加 35%,缓解 “看病难” 问题。此外,建立的罕见病数据库,整合全球影像特征,推动国际联合研究,提升罕见病诊断率。

• 绿色医疗与可持续发展:AI 辅助的低剂量 CT 技术使辐射量降低 50%,每年减少辐射暴露人群超千万;无胶片化诊断节省 120 亿张医用胶片,相当于减少砍伐 300 万棵树木,推动医疗行业向绿色环保转型。同时,算力中心采用液冷服务器、再生能源供电,降低能耗 30%,碳排放减少 60%,实现技术创新与生态保护的协同发展。

• 跨学科人才培养与科研协作:项目团队由计算机、医学、生物医学工程等多学科学生组成,在研发中培养跨学科思维与创新能力。例如,团队成员在全国大学生统计建模大赛、算法挑战赛等赛事中屡获佳绩,并发表多篇 SCI/EI 论文,申请多项发明专利。此外,通过与梅奥诊所等机构的联邦学习合作,推动全球科研资源整合,提升中国医学 AI 在国际领域的话语权。

安徽工程大学学子的研究成果,通过 CNN 技术与医学的深度融合,在提升诊断精度、优化医疗资源、推动绿色医疗等方面取得突破,为先进医学全国化发展提供了技术范式与实践经验,有望从根本上改善我国医疗服务的可及性与质量,让免费治病这一念想开花结果