优秀项目-北京交通大学威海校区

优秀项目

Outstanding Projects

当前位置 Current : 首页/ 人才培养/ 大学生创新创业训练计划项目/ 优秀项目

The "College Students’ Innovation and Entrepreneurship Training Program" is one of the most extensive and influential programs directly aimed at individual or group college students in the construction project of the Ministry of Education’s "Undergraduate Teaching Quality and Teaching Reform Project in Higher Education". It is to guide students to understand the society, an important carrier for contacting engineering practice, participating in scientific research training and entrepreneurial training. The implementation of the college students' innovation and entrepreneurship training program is an effective means to cultivate students' rigorous scientific attitude and team spirit, and to enhance students' scientific research ability, innovation ability and entrepreneurial ability based on innovation.

根据《教育部财政部关于“十二五”期间实施“高等学校本科教学质量与教学改革工程”的意见》（教高〔2011〕6号）和《教育部关于批准实施“十二五”期间“高等学校本科教学质量与教学改革工程”2012年建设项目的通知》（教高函〔2012〕2号），教育部决定在“十二五”期间实施国家级大学生创新创业训练计划。

“大学生创新创业训练计划” 是教育部“高等学校本科教学质量与教学改革工程”建设项目中直接针对大学生个体或团体所设立的覆盖面最广、影响最大的项目之一，是引导学生了解社会、接触工程实践、参与科研训练与创业训练的重要载体。实施大学生创新创业训练计划项目是培养学生严谨的科学态度和团队精神，增强学生的科研能力、创新能力和在创新基础上的创业能力的有效手段。

我校大学生创新创业训练计划项目包括创新训练项目、创业训练项目和创业实践项目三类。

1.创新训练项目。本科生个人或团队，在导师指导下，自主完成创新性研究项目的设计、研究条件准备和项目实施、研究报告撰写、成果（学术）交流等工作。

2.创业训练项目。由本科生团队，在导师指导下，团队中每个学生在项目实施过程中扮演一个或多个具体的角色，通过编制商业计划书、开展可行性研究、模拟企业运行、参加企业实践、进行验证试验等训练环节的项目。

3.创业实践项目。由学生团队，在学校导师和企业导师共同指导下，采用前期创新训练项目（或创业训练项目）的成果，提出一项具有市场前景的创新性产品或者服务，以此为基础开展创业实践活动。

基于深度学习的脑CT图像颈动脉分割与计算

项目背景

脑血管疾病是危害人类生命安全的重大疾病，但由于颈动脉血管目标很小，就会影响医生对疾病的诊断。然而血管的分割具有很大挑战，比如血管分割的完整性要求高，如果重建误差会影响医生的决策；存在图像噪声，一些不相关的组织有跟血管相似的灰度；血管形态学复杂度高，很难用先验知识推断出血管的形态；标注困难，很难获得大量的训练集等等。本项目拟在结合已有技术，优化Unet网络算法，分割出清晰的血管并重建，帮助医生更清晰的了解患者颈动脉情况，做出及时准确的诊断。

项目过程

① 搭建CTA图像查看器，实现对CT图像的三视图查看，实现基于VTK的三维血管、骨骼重建

②对传统图像分割方法进行创新，实现了一种二维纵向延申算法，更快，很好的区分和捕捉细节，大幅度提高分割精度。

③ 基于Att-Unet网络，创建并改进深度学习语义分割模型，实现快速分割颈动脉及血管斑块。

④ 搭建人工标注系统，支持人工手动编辑分割效果，提升项目灵活性⑤实现分割结果的智能处理与分析，生成诊断报告。

项目创新点

【深度学习方面】创新性的将LSTM融入Unet的跳跃链接部分，并添加了注意力模块及多尺度空洞卷积，能更好的获取图像的通道信息，以及对细节的把握。模型在GlaS数据集中达到了91.92%（Dice），在MoNuSeg数据集中达到了81.8%（Dice），超过了Unet(2015)，Attention Unet(2018), UCTransNet(2021), Medical Transformer(2021)等在医学图像分割中表现出色的模型。

【传统算法方面】优化了传统三位区域生长算法，实现了一种二维纵向延伸的分割算法。

项目成果

基于最新的深度学习算法，开发一个CT脑血管医学图像处理与辅助诊断软件，分割出血管图像，再将其三维可视化，并能计算血管功能指标，进而辅助医生对脑血管疾病的诊断, 以此更早发现脑血管疾病，提高诊断和治疗的水平。同时，撰写了一篇论文，阐述了我们深度学习模型的优越性，发表至SCI&CCFC期刊。