我院科研团队提出主动脉瓣狭窄智能识别技术，推动智慧医疗发展

    近日，信息与管理学院信息系主任张茂胜教授团队与附属医院医生专家合作，在心脏超声图像噪声大、伪影多、清晰底低等困难的限制下，提出了一种基于深度学习的超声心动图智能诊断模型，为主动脉瓣狭窄的智能识别与诊断提供高精度解决方案。成果被国际权威期刊《Frontiers in Medicine》（JCR一区）录用并发表。

    技术革新推动超声医学精准化

主动脉瓣狭窄是一种高发疾病，基于超声图像的诊断易受图像噪声、操作者经验等因素影响，诊断准确率远低于基于CT、MRI图像。团队以深度学习模型ResNet50为基础，创新性地引入了空间与通道重构卷积模块和多维卷积头转置注意力模块建立RSMAS-Net模型，提升特征提取能力并减少冗余计算，从而提高诊断准确性和模型效率。在心脏超声图像数据集上，RSMAS-Net在主动脉瓣狭窄识别任务中取得了94.67%的准确率、94.37%的F1-score及0.95的AUC值，在主动脉瓣狭窄严重程度诊断任务中同样表现优异，AUC值达到0.93。此外，该模型在另一数据集上时行验证也展现出良好的泛化能力（AUC达0.91）。与多个前沿模型对比实验结果表明，RSMAS-Net在保持轻量化设计的同时，兼具高性能与高效率，具备良好的临床应用潜力。

产学研合作赋能智慧医疗发展

该研究实现了轻量化设计与高性能的统一，模型计算资源消耗较低，诊断速度快且准确率高，为实时辅助诊断提供了新的思路，也为人工智能技术在超声图像分析领域的应用与发展提供了技术支撑。