2022年6月11日，由北京航空航天大学、清华大学、北京理工大学三校联合举办的生物医学工程研究生学术论坛——生物医学影像与信息处理分论坛成功召开。论坛中，主讲人季君予对其课题基于OpenVINO™的多染色病理图像信息评估系统设计与开发做了详尽的分享。

使用多种染色的病理图像对疾病类型和严重程度进行人工判断是一个非常耗时、费力和主观的过程。准确评估多染色图像中出现的病理信息对于量化各种染色在特定疾病诊断中的权重至关重要。

该研究基于卷积暹罗网络开发了一种新的深度学习方法，该方法将信息量化任务转化为组织病理学图像上病变模式和非病变模式之间的相似性度量。该方法在包括5种病理染色图像在内的3个独立数据队列上进行了验证，能够显著性提高多染色病理图像诊断的准确率。

OpenVINO™ 是英特尔开发的用于在边缘或云端进行深度学习部署的高性能解决方案，能够对模型进行加速优化。本项目基于 OpenVINO™ 平台构建多染色病理图像信息评估系统，实现在CPU终端的快速推理，为临床应用创造基础。

分享会上对英特尔OpenVINO™平台进行介绍，分享了使用OpenVINO™平台进行模型优化推理加速的经验。对不同框架推理的时间统计对比显示，OpenVINO™在CPU上能够显著降低模型的推理耗时。

参与论坛的老师和同学们积极讨论，主讲同学也对大家的疑问一一进行了解答：

Q：是否会存在正负样本不平衡的问题？

A：在训练阶段可以通过对数据量的人为控制消除正负样本的不平衡问题；而在推理阶段，为了应对大规模全切片染色中只有小部分病灶而带来的诊断困难，可以结合更多全切片检测方法，例如首先应用目标检测方法提取出低分辨率下的疑似区域，再进行病灶的分类诊断。

Q：病理图像的正常样本数据来源是什么？

A：由于完全健康的人体主动脉组织样本是无法获得的，因此正常样本来源于具有轻度病灶的患者切片的正常区域。对于病理图像而言，由于一定范围内的组织形态具有一致性，且病灶区域并不影响其他区域的正常表征，所以可以使用除病灶以外的区域作为正常样本。

Q：基于OpenVINO™工具的模型优化过程是否是需要手动完成的？

A：OpenVINO™的模型优化器（Model Optimizer）能够自动完成对于模型推理过程的优化，无需使用者手动对模型结构进行调整。

在分享会的最后，主讲同学向大家介绍了教育部支持的产学合作项目申请流程，鼓励更多同学加入校企合作项目，积极进行实验室成果与产业化的落地和推广。