小组成员
| 熊万富 | 刘瀚文 | 姜逸飞 | 张嘉保 |
|---|
1. 前言：
- 项目名称：
血管瘤超声图像分割
-
项目简介：
随着医学影像学设备的快速发展和普及，成像技术包括磁共振成像（MR）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）等，成为医疗机构开展疾病诊断、手术计划制定、预后评估、随访不可或缺的设备。全世界每天都产生大量的医学影像学信息，有报道显示全世界医学影像信息量占全世界信息总量的1／5以上。医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，因此国内外都十分重视医学影像处理。图像分割是图像处理的重要环节，也是难点，是制约三维重建等技术应用的瓶颈性问题。近年来，由于深度学习方法的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就。深度学习在医学图像分割方面的突破对于医学领域的发展至关重要。
2.NABCD模型分析
2.1 need（需求）
流行病学统计数据显示，婴幼儿血管瘤的发病率为10%~12%，对于特定婴幼儿——早产儿，发病率更高达到23%左右。依据目前的临床技术，如果能够将血管瘤的位置图清晰的标注在屏幕上或者是图片进行处理得到血管瘤的具体位置，将会极大的增加婴幼儿血管瘤手术成功率。
每一位父母都希望自己的孩子健康成长，他们愿意为自己的孩子付出更多，针对庞大的人口基数，每年新增人口即自然增长率在1%到2%的国家也在增多，此项目的受益人群庞大，并且社会价值显著——提升新增人口存活率，能够为社会做出巨大贡献。
2.2 Approach（做法）
利用卷积模型提取少量图片的特征值，针对少量图片进行数据优化和数据预处理，但是尽量不形成对特定需求高的图片，最后调试模型，提升准确度。因为小组成员有广泛的合作基础，队友之间了解程度较高。面对项目难关时，我们可以团结一心，坚持不懈地攻克它。小组成员均具有良好的编程习惯，一定的编程能力，其中组长的个人技能尤为突出，相信我们一定能够在组长的带领下，顺利完成项目，实现预定目标。
2.3 benefit（好处）
然而目前临床针对血管瘤的病灶的分割，主要有专家人工勾画，分割结果无法避免人为误差。使用人工智能，需要较为精准且海量的样本，数据的成本较高。因此，如果我们能够做到利用小样本数据集训练血管瘤超声图像的自动精准分割，那么就具有十分强的推广意义，既可以降低手术风险，又能为社会做出巨大贡献，提升出生人口的生存率，任重而道远。
2.4 Competitors(竞争)
- 虽然市场很大,可能是上千万人的市场,但是在其中的研究团队也数不胜数。我们并不惧怕在我们开发路上的竞争对手，我们是一个有创新能力有学习能力和良好的交流的团队。在市场调研之后，我们会针对当前已流行的模型进行评测，找出优缺点，并对我们的项目进行改进，尽可能的减少存在的普遍矛盾。
- 对于消费者来说，这个项目具有广大的隐藏消费者，谁也无法确定自己的后代会不会患病，应该是会不会得血管瘤疾病。随着人口基数的增加，项目市场也会扩大。
2.5 delivery（交付）
首先，保证我们的正确率，在不低于阈值的情况下推向市场，否则只能是做科学研究用，为下一个模型做铺垫。因为这个项目最终惠及到的是万千百姓，所以我们如果完成项目后，可以与医院合作。至于宣传，我们可以通过患者父母和互联网进行宣传，每一位患者都是希望手术成功率达到更高。
3. 电梯演说
我们能够辅助医生分割血管瘤图像，避免人为误差。这一项成果可以降低婴幼儿治疗的风险，增加医疗效率，改变当前医疗中人工分割的现状。