基于多模态图像异常检测的血管量化方法及成像软件开发产品系统

面向肿瘤新生血管监测与消化道早期病变的智能辅助诊断。恶性肿瘤血管异常新生是早期病变的关键信号，但光声内窥领域至今缺乏公开的真实标注数据集，且现有算法只能处理二维投影图像，丢失了光声数据固有的多深度三维层析信息；超声异常检测则受制于个体纹理差异导致误报率高，且两者均缺乏能将算法真正落地运行的集成化诊断软件平台。

研究覆盖数据、算法、软件三个层次。数据层，自主开发半自动标注工具（阈值预分割 + 手工精修），历时约200小时构建了1000组光声内窥血管标注样本，每组含50层深度切片与全局MAP图，填补了该领域公开数据集的空白。算法层，提出DAS-Net（深度自适应采样决策网络），SDN子网络以全局MAP为引导对50深度通道逐像素生成采样权重，Dice/IoU分别达0.9412/0.8932，较基线提升5.0%/8.6%；基于分割掩码自动提取血管面积、直径、密度三项量化指标，构建"分割—量化—检测"完整闭环；超声侧在DDAD框架中引入动态卷积，BUSI数据集上AUC提升6.4%、AP提升1.1%。软件层，两套算法模块以独立Python进程挂载于Qt6主程序，通过文件系统交换数据，主程序无需改动即可完成算法迭代升级，实现从原始采集到双模态智能诊断的端到端闭环。

光声内窥血管分割（DAS-Net）：自建1000组标注数据集（目前无公开的该领域数据集）；提出深度自适应采样决策网络，SDN对50个深度通道逐像素生成采样权重，与RA-MP-Net主干端到端训练，Dice=0.9412/IoU=0.8932（较基线+5.0%/+8.6%）；提取血管面积、直径、密度指标，形成"分割—量化—检测"闭环。
超声异常检测（DDAD-DC）：在DDAD框架基础上引入动态卷积，注意力子网自适应调整卷积核权重，有效区分个体纹理差异与真实病变；BUSI上AUC+6.4%、AP+1.1%。