基于Transformer与注意力机制的肺部肿瘤分割方法

肺部肿瘤的准确分割对于肿瘤的诊断和治疗具有重要作用,然而肺部肿瘤分割中存在病灶与周围组织的对比度低、肿瘤与正常组织易粘连和背景噪声大等问题。针对这些问题,本文提出了一种基于Transformer和注意力机制的肺部肿瘤分割方法。在Transformer编码器阶段引入全局和局部的注意力机制,使得网络可以同时关注全局和局部的上下文信息;在跳跃连接阶段,使用通道优先卷积注意力机制,可以增强复杂病灶的空间感知能力和降低通道维度冗余,从而提高肿瘤的分割精度。在私有数据集GDPH和公共数据集LUNG1上的测试结果表明,本文方法相比其他8种分割方法,Dice指标在两个数据集上表现最优,分别为90.96%和88.18%,可以为临床的诊疗提供可靠辅助。

基于机器学习的慢阻肺患者再入院预测研究

由于慢性阻塞性肺病(简称慢阻肺)的高复发性,患者计划外再入院问题已成为严峻挑战。本文提出融合不同结构化数据和多种机器学习算法进行风险预测的框架和方法,并以广州某三甲医院近万名慢阻肺患者的真实电子病历数据进行演示。通过构建双向长短期记忆条件随机场命名实体识别模型处理非结构化信息,使用支持向量机、随机森林、极限梯度提升机和反向传播神经网络构建风险预测模型,发现极限梯度提升机模型的预测性能最佳,以及住院时长、查尔森合并症指数、病程、白细胞和嗜酸性粒细胞是再入院最重要的影响因素。本文研究丰富了慢阻肺的相关知识,并为其早期发现、及时诊断和精准干预提供了研究思路和辅助决策工具。

MicroCT图像中半月板周向纤维的分割方法与三维重建

周向纤维是半月板受力的关键区域。构建周向纤维的三维微观结构对于半月板损伤的治疗和人工半月板的研发具有重要意义。当前主要通过人工对微计算机断层扫描技术(Micro Computed Tomography,MicroCT)图像中半月板的周向纤维进行分割。由于半月板微观组织复杂,人工分割存在效率低下、分割标准不一致等问题。本文针对样本图像较少的问题,结合MicroCT图像的特点提出了一种图像扩增方法;针对边缘分割误差大的问题,提出了一种基于TransUNet算法的改进模型,引入了图像块相对位置编码(image Relative Position Encoding,iRPE)并改进了损失函数。实验结果表明:(1)改进模型能精确完整分割半月板组织,分割结果可成功完成周向纤维三维重建。(2)引入的iRPE算法提高了模型边缘细节的分割效果,改进的损失函数使模型更好地适应样本不均衡情况,提出的图像扩增方法解决了数据集不足的问题,综合提升了模型的性能;结果显示周向纤维分割的平均精度达到98.66%。(3)在周向纤维三维模型中发现纤维发生分裂的现象,且以一分为二为主,同时存在少量一分为三的情况。本文提出的方法能高精度和高效率分割MicroCT图像中半月板周向纤维,为研究半月板在三维空间的受力分析做好铺垫。

信息不对称下的智能网联汽车公平服务缓存与任务卸载算法

在延迟敏感任务存在的车联网中,车到车雾计算可有效缓解路边单元的计算任务过载。现有研究往往假设路边单元可获取网络中所有车辆全局算力信息,且假设提供服务车辆能够自主为服务请求车辆提供计算,然而其忽视了算法大规模实际部署时获取全局算力信息需要高昂的控制开销以及车辆的自私性。为此,针对车联网负载卸载中的自私性、信息不对称性和服务公平性问题,建立面向车辆雾计算的服务缓存与任务卸载整数数学线性规划模型,谋求系统最小服务完成率最大。通过设计基于合同理论的高效轻量级激励机制以激励车辆提供雾计算资源,且路边单元无需获取全局车辆算力信息,从而更贴近实际运行环境。仿真实验结果表明,提出的基于合同的舍入算法(Contract-based Rounding Algorithm,CRA)与基准算法相比,最小服务完成率平均提升73.16%和48.72%,吞吐量降低平均不超过3.39%和14.96%。

基于资源分析和可拓创新方法的家用小型电梯低碳创新设计

为了解决机械产品在低碳设计方面缺少合适的创新设计方法的问题,提出一种融合TRIZ的资源分析和可拓创新方法的基于资源拓展的机械产品低碳创新设计流程。先对有低碳需求的机械产品建立不相容问题的模型,再对产品的现有条件进行资源分析列出可用资源,并用基元模型来描述可用资源。然后对资源基元利用多屏幕法进行资源拓展,得到创新路径,再对多个创新路径进行可拓变换得到产品创意。最后运用优度评价法对这些产品创意进行评价并选出最优创意,进而对该创意具体设计得到方案。以曳引家用电梯为例,应用机械产品低碳创新设计流程来设计一种低碳的刚性链条推拉家用电梯,证明了该设计流程的可行性。

基于多尺度多实例学习的非小细胞肺癌亚型分类方法

非小细胞肺癌的准确诊断与亚型鉴别对指导患者的个体化精准治疗意义重大。但由于非小细胞肺癌固有的肿瘤异质性,导致其同一亚型的病理形态差异较大,而不同亚型之间也可能存在一定的形态学重叠,给临床诊断带来很大困难。为解决这一问题,本文设计了一种基于多实例学习的多尺度特征提取与融合的计算机辅助诊断框架。首先,该框架在细胞级、组织级等不同层次对病理图像进行多尺度采样和特征提取。然后,利用Transformer网络实现端到端的多尺度信息融合,建模不同粒度实例之间的依赖关系。最后,本文设计了一种基于注意力的实例损失,通过区分最具区分性实例的特征,提供了额外的监督信号,以进一步提高模型的分类性能。在包含1674张病理切片的公开数据集上的实验结果显示,本文方法可以更充分地利用病理图像的多粒度信息,显著提高非小细胞肺癌亚型的分类准确率。并且所提方法的注意力热图具有良好的可解释性,可以直观判断单个样本的分类质量,为后续模型优化提供了定量分析方法。

高强韧导电水凝胶的制备及传感性能研究

近年来,导电水凝胶在柔性可穿戴传感器领域备受关注。然而,传统的基于导电水凝胶的传感器机械性能不足,严重限制了其在柔性传感器中的应用,因此,提高导电水凝胶的机械性能对于柔性传感应用至关重要。本文选择聚乙烯醇(Polyvinyl Alcohol,PVA)和聚乙烯亚胺(Polyetherimide,PEI)水凝胶作为基体材料,并使用硫酸钠溶液作为溶剂。通过应用定向冷冻技术和盐析效应,成功制备了聚乙烯醇/聚乙烯亚胺−硫酸钠(PVA/PEI-Na_(2)SO_(4))水凝胶,展现出优异的力学性能。在定向冷冻过程中,PVA/PEI水凝胶中的聚合物链沿冰晶生长方向有序排列,形成的有序结构提高了水凝胶的机械性能。通过将水凝胶浸入Na_(2)SO_(4)溶液,利用盐析效应,增加了水凝胶网络结构的密度,进一步增强了其力学性能,并赋予水凝胶离子导电能力。结果表明,PVA/PEI-Na_(2)SO_(4)水凝胶具有高抗压强度(5.98 MPa),并表现出优异的力电响应性能:在100次外力负载−卸载循环中输出稳定的电信号。本研究构建的PVA/PEI-Na_(2)SO_(4)水凝胶在柔性传感和手指肌力锻炼等领域具有潜在的应用前景。

新型超声换能器在生物医学领域的研究进展

超声换能器作为生物医学超声系统的核心部件,其性能直接决定诊断和治疗效果。近年来,随着生物医学技术的发展,对高性能超声换能器的需求日益增长。本文综述了新型超声换能器在生物医学领域的最新研究进展,分析了小型、非接触空气耦合、透明、柔性、高频阵列以及低功率等不同类型超声换能器的性能特点,探讨了其在生物医学成像、治疗和神经调控等方面的应用前景,并总结了当前面临的挑战,包括换能器声功能材料选择、结构优化以及应用场景多元化等。未来研究应聚焦于新型声功能材料的开发、高性能换能器设计以及跨学科合作,以推动超声换能器技术更好地服务于生物医学应用。

考虑投资者心理账户的模糊资产−负债组合优化模型

现实中投资者在同时管理资产和负债的过程中往往受到心理账户的影响,本文研究模糊环境下考虑投资者心理账户和偿债行为的资产−负债组合优化问题。首先,假设资产收益率和负债增长率均为LR型模糊数,以最大化期望净财富和最小化风险为目标,建立了考虑投资者心理账户的模糊资产−负债组合优化模型。其次,设计了一个粒子群−模拟退火混合智能算法对模型进行求解。最后,选取真实股票数据对建立的模型和求解算法进行实例分析。研究结果表明不同心理账户的投资策略会有差异,提出的模型能够刻画投资者不同的心理预期,可以为实际的投资活动提供决策支持。

模糊离散事件系统的主动不透明性

近年来,由于不透明性在信息物理融合系统的信息安全领域取得了许多成功应用,离散事件系统的不透明性研究引起了国内外学者的广泛关注。本文以模糊自动机为模型,研究如何强化模糊离散事件系统当前状态不透明性的问题。先对模糊系统的主动不透明性概念进行了形式化。针对不具有当前状态不透明性的模糊系统,引入一个主动控制策略,提出了一种主动不透明性方法。通过构造模糊秘密状态的可控度验证器,为每一个秘密状态找到一个可控事件串,使系统可沿着可控事件串进入秘密状态而不被入侵者发现,从而达到强化模糊系统不透明性目的。在可控度验证器的基础上,得到了一个关于模糊系统主动不透明性的充分必要条件,并由此提出了一个相应的验证算法。

基于自注意力神经辐射场的稀疏视角医学影像重建方法

稀疏视角断层重建对于临床实践中减少辐射剂量具有重要意义。近年来,隐式神经表示(Implicit Neural Representation,INR)方法在医学图像的稀疏视角断层重建领域得到广泛应用,并展示了卓越的性能。然而,传统INR方法将每个采样点单独作为输入,忽视了邻近采样点之间的内在联系,从而削弱了重建效果。为解决上述问题,本文提出了一种新的INR方法。该方法首先将相邻射线上的邻近采样点重新组织成一系列感兴趣窗口,随后将上述感兴趣窗口输入到一个配备跳跃连接的Transformer查询网络中。利用Transformer网络的自注意力机制,该方法能够深入学习各个感兴趣窗口内采样点之间的内在联系,从而显著提升重建图像的质量。本文在锥束计算机断层扫描(Cone-beam Computed Tomography,CBCT)和平行束单光子发射计算机断层扫描(Single-photon Emission Computed Tomography,SPECT)两种断层成像模态上进行了大量的数值实验,与现有的先进INR方法Freq-NAF相比,本文所提方法在稀疏视角条件下的重建精度和图像可视化方面均表现出更优异的性能。特别是在胸部CBCT数据集,所提方法的峰值信噪比(Peak Signal-to-noise Ratio,PSNR)比Freq-NAF方法提高了0.45 dB。

AFEM-Transformer:基于自适应特征提取的Transformer阿尔兹海默症早期诊断研究

目前诊断阿尔兹海默症(Alzheimer's Disease,AD)的主要手段是通过结构磁共振成像(structural Magnetic Resonance Imaging,sMRI)实现的,现有基于深度学习的AD诊断主要利用2D(将3D sMRI转2D切片)或者3D的卷积神经网络,不能很好地捕获3D sMRI全局特征,为此本文提出改进Swin Transformer实现3D块划分提取全局特征,构建Transformer预测分类模型。又根据现有阿尔兹海默患者发生萎缩的区域对尺寸的变换很敏感,而且现有深度学习模型在病灶区域定位方面能力不强的问题,提出自适应特征提取模块(Adaptive Feature Extraction Module,AFEM),实现了可变形自适应特征提取,对基础3D Transformer模型进行扩展,构建AFEM-Transformer深度学习模型,进一步提升模型特征学习能力,实现自适应的定位病理区域的具体位置,用以辅助临床诊断,实现阿尔兹海默病情分类和预测。本文选择阿尔茨海默症神经影像学计划(Alzheimer's Disease Neuroimaging Initiative,ADNI)提供的2248名受试者sMRI影像作为实验数据集。在阿尔兹海默诊断任务和轻度认知障碍(Mild Cognitive Impairment,MCI)进展预测任务中将提出的AFEM-Transformer模型与现有基于卷积神经网络的模型和基础Transformer模型进行分析比较,评估该模型的价值。结果表明本文提出的AFEM-Transformer模型在两个任务上的准确率、敏感度、特异性、AUC(Area Under Curve)值的实验结果相较于基础和卷积神经网络模型和Transformer模型性能提升明显,证实了所提出的AFEM模块的有效性。本文提出的AFEM-Transformer深度学习模型能够准确诊断阿尔兹海默症和预测MCI的进展,并可自动定位出病灶区域,可以作为阿尔兹海默症临床诊断中一个有效的计算机辅助方法。

基于光学遥感自适应偏移追踪技术的滑坡监测

传统偏移跟踪方法主要依赖规则匹配窗口的归一化互相关(Normalized Cross Correlation,NCC)操作。然而,在光学遥感影像分析中,规则窗口内往往存在如水体、阴影、云层等干扰因素的像素。当应用于滑坡监测时,这些干扰因素可能会导致偏移估计出现错误。为了解决这个问题,本文提出了一种自适应偏移跟踪算法。在偏移估计前,先进行预处理,识别出研究区域中水体、阴影、云层等干扰因素的位置,并生成相应的水体、阴影、云层掩膜。然后在偏移估计过程中,通过干扰因素的掩膜找出互相关窗口中干扰因素的位置,并在计算时排除互相关窗口内的干扰因素像素,以此来提高偏移估计的准确性和可靠性。通过在白格滑坡的实验验证,证明了该方法能显著提高偏移跟踪的准确性和可靠性。

开放性问题求解的完备性知识网络研究

目标和问题领域相对确定,边界条件可以拓展的开放性问题在生活中比比皆是,如何能在理论指导下为知识智能拓展提供方向,形成开放性问题求解的完备性知识网络具有重要意义。本文以策略生成所需原料的描述性知识、对问题初始目标与条件进行界定的领域知识以及策略生成工具的方法论知识作为构建完备性知识网络的主要知识类别,并以初始目标能否实现来验证知识网络的完备性。最后通过人因工学椅的设计案例验证了方法的可行性。该研究采用可拓创新方法体系中形式化与定量化相结合的方式,可以为人工智能环境下开放性问题求解的完备性知识网络建立提供一种新思路。

基于跨模态差异注意力的医学报告生成

医学报告自动生成技术对辅助诊断起着重要作用,能够极大减轻医护工作者的工作量。随着深度学习在医学领域不断发展,医学报告自动生成技术已成为智慧医疗领域里的研究热点之一。目前,医学报告生成的主要挑战是图像中的病灶区域难以被模型捕捉,以及视觉和语言语义之间存在较大的语义鸿沟,其一致性问题仍没有很好地解决。因此,本文提出了跨模态差异注意力网络拉近不同模态之间的语义,该网络包括反向注意力模块和语义一致模块:反向注意力模块更全面探索医学图像中的重要区域;语义一致模块利用大语言模型的特征作为参考,引导视觉特征不断靠近参考文本特征,使得视觉语义更准确地转化成一致的语言语义。实验表明,跨模态差异注意力网络在IU X-Ray和MIMIC-CXR两个公开数据集上的表现均优于之前的模型,在BLEU4上的指标分数分别达到17.9%和10.9%,相比于基线模型,本文模型性能有较大的提高,证明了本文所提模型能生成准确和流畅的医学报告。

高模量改性沥青的零剪切黏度研究

零剪切黏度(Zero-shear Viscosity, ZSV)是表征沥青抵抗永久变形能力的高温性能评价指标。为明确不同测试方法及计算模型对高模量改性沥青的ZSV计算值的影响及适用性,以推广高模量改性剂在道路工程的应用,采用动态剪切流变仪对基质沥青(Base Asphalt, BA)和含不同质量分数改性剂的高模量改性沥青(K1-HMB)进行60℃频率扫描试验和60℃稳态流动试验,并采用Cross流变模型及Carreau流变模型分别拟合沥青的ZSV,最后采用灰色关联分析法探讨ZSV与软化点之间的关联程度。结果表明:BA及K1-HMB属于伪塑性流体,在加载频率作用下均呈现剪切变稀的特征;含0.6%改性剂的K1-HMB具有最高的弹性恢复能力,K1-HM改性剂的建议质量分数为0.4%~0.6%;60℃频率扫描试验结合Cross模型计算的ZSV拟合值具有最高的可信度,可作为高模量改性沥青高温性能的评价指标。

基于知识图谱嵌入与深度学习的药物不良反应预测

识别药物潜在的不良反应,有助于辅助医生进行临床用药决策。针对以往研究的特征高维稀疏、需要为每种不良反应构建独立预测模型且预测精度较低的问题,本文开发一种基于知识图谱嵌入和深度学习的药物不良反应预测模型,能够对实验所覆盖的不良反应进行统一预测。一方面,知识图谱及其嵌入技术能够融合药物之间的关联信息,缓解特征矩阵高维稀疏的不足;另一方面,深度学习的高效训练能力能够提升模型的预测精度。本文使用药物特征数据构建药物不良反应知识图谱;通过分析不同嵌入策略下知识图谱的嵌入效果,选择最佳嵌入策略以获得样本向量;然后构建卷积神经网络模型对不良反应进行预测。结果表明,在DistMult嵌入模型和400维嵌入策略下,卷积神经网络模型预测效果最佳;重复实验的准确率、F_1分数、召回率和曲线下面积的平均值分别为0.887、0.890、0.913和0.957,优于文献报道中的方法。所得预测模型具有较好的预测精度和稳定性,可以为安全用药提供有效参考。

基于循环独立机制的交通流量预测

交通流量预测是智能交通控制和管理系统的一个重要环节,但交通流量数据具有时间和空间上的非线性和复杂性等特征,为对其进行精准预测,本文提出了Graph Temopral Recurrent Independent Mechanisms (G-tRIM)模型。该模型使用图注意力网络(Graph Attention Networks, GAT)来有效捕获交通流量数据的空间依赖关系,使用循环独立机制(Recurrent Independent Mechanisms, RIM)来精准刻画交通流量数据的潜在状态。最后在北京和贵州数据集上,以均方误差(Mean Square Error, MSE)和平均绝对误差(Mean Absolute Error, MAE)为指标进行实验,结果表明,G-tRIM在各个数据集上的表现均优于基准模型。

基于分层邻域选择的切换拓扑多智能体系统一致性协议

在切换拓扑的多智能体系统中,针对高低密度信息减弱一致性的问题,提出了一种基于分层邻域选择算法(Layered Neighbor Selection,LNS),该算法对智能体的邻域进行层次划分,从每层中选取具有代表性的邻居智能体进行通信、状态更新和状态演化,然后设计了层次调整策略和层次融合策略来加快收敛速度,最后设计了分层邻域选择一致性协议,且给出了层数对收敛的影响。现有的一致性协议,收敛效果受限于特定密度范围,受不同密度的影响较大,而本文提出的协议能适应不同密度范围,并在系统稳定的条件下提升收敛速度,且通过李雅普诺夫函数法证明了一致性协议的稳定性。最后通过仿真实验,并与几种一致性协议进行比较,验证了所设计的一致性协议能有效加快系统收敛速度。