由于患者个体差异、采集协议多样性和数据损坏等因素,现有基于磁共振成像(Magnetic resonance imaging,MRI)的脑肿瘤分割方法存在模态数据丢失问题,导致分割精度不高。为此,本文提出了一种基于U-Net和Transformer结合的不完整多模态脑...由于患者个体差异、采集协议多样性和数据损坏等因素,现有基于磁共振成像(Magnetic resonance imaging,MRI)的脑肿瘤分割方法存在模态数据丢失问题,导致分割精度不高。为此,本文提出了一种基于U-Net和Transformer结合的不完整多模态脑肿瘤分割(Incomplete multimodal brain tumor segmentation based on the combination of U-Net and Transformer,IM TransNet)方法。首先,针对脑肿瘤MRI的4个不同模态设计了单模态特定编码器,提升模型对各模态数据的表征能力。其次,在U-Net中嵌入双重注意力的Transformer模块,克服模态缺失引起的信息不完整问题,减少U-Net的长距离上下文交互和空间依赖性局限。在U-Net的跳跃连接中加入跳跃交叉注意力机制,动态关注不同层级和模态的特征,即使在模态缺失时,也能有效融合特征并进行重建。此外,针对模态缺失引起的训练不平衡问题,设计了辅助解码模块,确保模型在各种不完整模态子集上均能稳定高效地分割脑肿瘤。最后,基于公开数据集BRATS验证模型的性能。实验结果表明,本文提出的模型在增强型肿瘤、肿瘤核心和全肿瘤上的平均Dice评分分别为63.19%、76.42%和86.16%,证明了其在处理不完整多模态数据时的优越性和稳定性,为临床实践中脑肿瘤的准确、高效和可靠分割提供了一种可行的技术手段。展开更多
跨组织流程作为现代业务协同的关键载体,其异常检测对保障系统稳定与业务连续性至关重要。针对现有方法多聚焦于单组织视角,难以识别组织间消息偏差、上下文对接异常及整体时序结构变化的问题,提出一种融合GRU与Transformer的跨组织异...跨组织流程作为现代业务协同的关键载体,其异常检测对保障系统稳定与业务连续性至关重要。针对现有方法多聚焦于单组织视角,难以识别组织间消息偏差、上下文对接异常及整体时序结构变化的问题,提出一种融合GRU与Transformer的跨组织异常检测方法CoBPAD(cross-organizational business processes anomaly detection)。该方法利用GRU捕捉流程的时序依赖特征,并结合Transformer的多头注意力机制建模组织间交互模式。在训练过程中引入教师强制机制,从基于行为模式识别点异常、基于上下文规则匹配检测上下文异常和基于流程时序结构变化判断群体异常三个维度识别异常。在三个不同领域的数据集上的实验结果表明,CoBPAD在多类异常检测任务中均优于代表性方法BAnDIT,具备更强的检测能力与适应性,为后续的异常解释与实时监控提供支持方法。展开更多
文摘由于患者个体差异、采集协议多样性和数据损坏等因素,现有基于磁共振成像(Magnetic resonance imaging,MRI)的脑肿瘤分割方法存在模态数据丢失问题,导致分割精度不高。为此,本文提出了一种基于U-Net和Transformer结合的不完整多模态脑肿瘤分割(Incomplete multimodal brain tumor segmentation based on the combination of U-Net and Transformer,IM TransNet)方法。首先,针对脑肿瘤MRI的4个不同模态设计了单模态特定编码器,提升模型对各模态数据的表征能力。其次,在U-Net中嵌入双重注意力的Transformer模块,克服模态缺失引起的信息不完整问题,减少U-Net的长距离上下文交互和空间依赖性局限。在U-Net的跳跃连接中加入跳跃交叉注意力机制,动态关注不同层级和模态的特征,即使在模态缺失时,也能有效融合特征并进行重建。此外,针对模态缺失引起的训练不平衡问题,设计了辅助解码模块,确保模型在各种不完整模态子集上均能稳定高效地分割脑肿瘤。最后,基于公开数据集BRATS验证模型的性能。实验结果表明,本文提出的模型在增强型肿瘤、肿瘤核心和全肿瘤上的平均Dice评分分别为63.19%、76.42%和86.16%,证明了其在处理不完整多模态数据时的优越性和稳定性,为临床实践中脑肿瘤的准确、高效和可靠分割提供了一种可行的技术手段。
文摘跨组织流程作为现代业务协同的关键载体,其异常检测对保障系统稳定与业务连续性至关重要。针对现有方法多聚焦于单组织视角,难以识别组织间消息偏差、上下文对接异常及整体时序结构变化的问题,提出一种融合GRU与Transformer的跨组织异常检测方法CoBPAD(cross-organizational business processes anomaly detection)。该方法利用GRU捕捉流程的时序依赖特征,并结合Transformer的多头注意力机制建模组织间交互模式。在训练过程中引入教师强制机制,从基于行为模式识别点异常、基于上下文规则匹配检测上下文异常和基于流程时序结构变化判断群体异常三个维度识别异常。在三个不同领域的数据集上的实验结果表明,CoBPAD在多类异常检测任务中均优于代表性方法BAnDIT,具备更强的检测能力与适应性,为后续的异常解释与实时监控提供支持方法。
