项目成员：吴冰珩

指导教师：孙风栋，吕福年（企业导师）

作品简介：本课题对BUSI数据集中良性、恶性以及正常乳腺超声图像及其对应的标注进行了预处理和整理，根据图像诊断信息和临床描述构建出病例-影像特征-诊断结论等各种关系的三元组，形成了包含大小、形态、边界、回声类型、钙化情况、后方回声等重要信息的医学知识数据集。方法上使用了以编码-解码结构为主的分割网络U-Net、Attention U-Net、UKAN等模型对乳腺超声图像中的病灶区域进行像素级分割，尝试将结构化医学知识加入到网络的设计或者损失函数的构造当中，从而加强模型对于病灶边界和形态特征的感知，提升分割结果的临床合理性。

图1 UKAN混合架构         图2 三元组数据蒸馏

 图3 医学图像分割

 图4 模型实时训练 

项目创新点：

（1）采用UKAN混合架构。创新性地将KAN网络引入到经典的U-Net结构中，用可学习的激活函数替代了固定的ReLU，使得模型对复杂病灶的拟合能力大大增强。实验证明，UKAN的Dice系数达到了0.821，显著优于传统模型。

（2）知识增强推理算法。构建了一个专业的医学知识图谱，并采用创新的Graph RAG机制。这意味着AI在给出诊断建议时，不再是凭空猜测，而是基于从图谱中检索到的真实医学证据，从而实现了诊断过程的可解释性和高可靠性。

（3）轻量化部署方案。通过自研的三元组数据蒸馏算法，将复杂的模型浓缩成一个轻量级版本。这使得系统在不损失精度的情况下，能够在普通PC上运行，完美解决了基层医疗机构算力不足的痛点，真正实现了技术的普惠。