-
题名注意力引导多任务学习的前列腺癌盆腔淋巴结转移预测
- 1
-
-
作者
张志远
胡冀苏
张跃跃
钱旭升
周志勇
戴亚康
-
机构
徐州医科大学医学影像学院
中国科学院苏州生物医学工程技术研究所
苏州大学附属第二医院
-
出处
《上海交通大学学报》
北大核心
2025年第8期1216-1224,共9页
-
基金
中国科学院青年创新促进会项目(2021324)
苏州市卫健委临床重点病种诊疗专项(LCZX202001)
苏州市科技计划项目(SKY2022003)。
-
文摘
基于前列腺癌原发灶的术前磁共振影像定量特征预测盆腔淋巴结转移(PLNM)是治疗方案制定的重要参考依据.然而,现有预测方法对肿瘤原发灶内部的异质性信息提取不足,导致提取的图像定量特征与PLNM关联性较弱.针对这一问题,提出一种以肿瘤分割任务为辅助任务的注意力引导多任务学习网络用于PLNM预测.首先,在肿瘤分割网络中,提出多分支各向异性大核注意力模块,通过不同分支和各向异性大卷积核的融合扩大的感受野以有效捕获肿瘤的局部和全局信息.其次,在PLNM预测网络中,设计多尺度特征交互融合注意力模块,对多尺度特征进行层次化融合筛选.在320例数据集的实验中,所提方法的精度召回曲线下面积值和受试者操作特征曲线下面积值分别为(85.44±2.04)%和(91.86±2.18)%,优于经典的单任务分类方法和多任务方法.
-
关键词
前列腺癌盆腔淋巴结转移
多任务学习
多分支各向异性大核注意力模块
多尺度特征交互融合注意力模块
多参数磁共振
-
Keywords
prostate cancer pelvic lymph node metastasis(PLNM)
multi-task learning
multi-branch anisotropic large kernel attention
multi-scale feature interaction fusion attention
multiparametric magnetic resonance imaging(mpMRI)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
R318
[医药卫生—生物医学工程]
-
-
题名基于多通道表面肌电传感器的手势识别
- 2
-
-
作者
张劲勇
韩倩
陈俞强
郭剑岚
-
机构
茂名职业技术学院计算机工程系
东莞职业技术学院人工智能学院
-
出处
《传感器与微系统》
北大核心
2025年第10期44-47,51,共5页
-
基金
广东省基础与应用基础研究基金资助项目(2020A1515110162)
广东省乡村振兴战略专项资金资助项目(20211800400102)。
-
文摘
针对多通道表面肌电(sEMG)传感器手势识别精度提升需求,提出新型手势识别框架,采用连续小波变换(CWT)将信号转为时频图,设计DIFT-Net分类网络,集成Swin Transformer双分支结构,通过注意力引导模块(AGM)增强局部特征提取,注意力交互模块(AIM)实现多尺度全局特征融合。实验基于自建和Nanapro DB1数据集验证,DIFT-Net分别取得98.36%和82.64%的精度,显著优于传统方法。结果表明,该框架能有效融合局部与全局特征,显著提升多通道sEMG传感器手势识别性能,为人机交互应用提供新方案。
-
关键词
表面肌电传感器
手势识别
TRANSFORMER
注意力引导模块
注意力交互模块
-
Keywords
sEMG sensor
gesture recognition
Transformer
AGM
AIM
-
分类号
TP212
[自动化与计算机技术—检测技术与自动化装置]
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的息肉分割网络GLIA-Net
被引量：6
- 3
-
-
作者
任莉莉
边璇
王光磊
王洪瑞
-
机构
河北大学附属医院肿瘤内科
河北大学电子信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第12期248-254,共7页
-
基金
国家自然科学基金(61473112)
河北省自然科学基金重点项目(F2017201222)。
-
文摘
随着卷积神经网络的发展,现有改进的息肉分割U-Net网络能有效提高息肉分割准确率,但引入了大量参数,导致模型复杂度增大且计算效率降低。提出具有低复杂度、高性能的网络GLIA-Net,用于分割内窥镜图像中的息肉区域。以U-Net为基础架构,在双层卷积后加入全局与局部交互式注意力融合模块。全局注意力基于2个可学习的外部储存器,通过2个级联的线性层和归一化层来实现。局部注意力基于局部跨通道交互策略,将一维卷积代替全连接层,在保证网络性能的同时降低计算复杂度,加快网络的计算速度。结合高效通道注意力和外部注意力的优点,在不引入过多参数量和计算量的前提下融合局部注意力和全局注意力,同时在通道与空间2个维度上引入注意力机制,提取丰富的多尺度语义信息。在Kvasir数据集上的实验结果表明,GLIA-Net的平均交并比、Dice、体积重叠误差分别为69.4%、80.7%和5.0%,与ExfuseNet、SegNet、ResUNet等网络相比,在保证网络计算效率的同时具有较优的分割精度。
-
关键词
卷积神经网络
U-Net网络
息肉分割
内窥镜图像
交互式注意力融合模块
-
Keywords
convolutional neural network
U-Net network
polyp segmentation
endoscopic images
interactive attention fusion module
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
