随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续...随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续模型训练提供信息丰富的数据表征基础。本文设计一种高效的二阶段预测模型,用于解决重疾预测中存在的时效与成本等问题。该模型的第一阶段对病例样本进行粗粒度预测,将危重程度低的病例进行疾病初筛,起到提前分流病人的作用;第二阶段模型则基于第一阶段的粗滤结果,对潜在的危重病例进行更细粒度的预测。通过实验验证,经过异质属性融合处理后,在选择前6个时间点构造非时序模型时,二阶段模型可以较好地兼具疾病初筛以及疾病预测的效果。展开更多
在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络...在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络(a multi-task segmentation network for plant on 3D point cloud,MT-SegNet),结合多值条件随机场(multi-value conditional random field,MV-CRF)模型,同时实现茎、叶语义分割和叶实例分割。在MT-SegNet中,为解决用最大池化或平均池化方法来聚合邻域点特征可能会导致重要信息丢失的问题,该研究提出了一种基于注意力机制的多头注意力池化模块。它能自动学习到重要的邻域点特征,从而有利于提高网络的分割性能。同时,MT-SegNet分成两个不同的分支,分别用于预测点的语义类别和将这些点嵌入到高维向量,以便将这些点聚类为实例。最后,使用MV-CRF进行多任务的联合优化。在彩叶芋点云数据集上的试验结果表明,该方法的茎、叶语义分割的交并比、准确率、召回率和F1分数的平均值分别为84.54%、93.64%、91.39%、92.48%,叶实例分割的平均准确率、平均召回率、平均实例覆盖率和平均加权实例覆盖率分别为88.10%、78.44%、76.24%、76.93%,均优于PointNet、JSNet等现有的深度学习网络。该模型也适用于类似植物的点云分割类任务。这有助于为植物自动化表型测量提供必要的技术条件。展开更多
主动脉缩窄(Coarctation of Aorta,CoA)是主动脉弓部的先天性畸形,自然预后差,需要早期干预甚至急诊手术治疗,同时术后主动脉再缩窄仍是可能面临的问题。目前主动脉再缩窄的预测主要由医生基于病人的临床特征并结合超声心动图(Ultra Sou...主动脉缩窄(Coarctation of Aorta,CoA)是主动脉弓部的先天性畸形,自然预后差,需要早期干预甚至急诊手术治疗,同时术后主动脉再缩窄仍是可能面临的问题。目前主动脉再缩窄的预测主要由医生基于病人的临床特征并结合超声心动图(Ultra Sound Cardiogram)数据展开风险因素分析,结果往往依赖于超声心动图片拍摄质量以及医生诊断经验,诊断误诊较多。本文以患者心脏部位电子计算机断层扫描(Computed Tomography,CT)的图像结合患者的临床数据为研究对象,提出了一种基于Swin-Unet网络的多模态数据检测框架,框架结合了Swin-Unet网络模型与机器学习模型,展开多模态特征融合分析,实现主动脉再缩窄的早期检测。临床数据集实验结果显示,与传统的仅使用临床数据的预测方法相比,本文方法有效提升了主动脉再缩窄预测的效果,并验证了与再缩窄有关的风险因素,可为临床医学提供参考。展开更多
对植物幼苗进行三维重建,常存在叶片间的遮挡、摄像头视野限制等因素导致植物幼苗点云出现缺失的情况,影响了植物表型分析的准确度。为了能获得完整的植物点云,提出了基于多尺度几何感知Transformer(Multi-Scale Geometry-Aware Point T...对植物幼苗进行三维重建,常存在叶片间的遮挡、摄像头视野限制等因素导致植物幼苗点云出现缺失的情况,影响了植物表型分析的准确度。为了能获得完整的植物点云,提出了基于多尺度几何感知Transformer(Multi-Scale Geometry-Aware Point Transformer,MGA-PT)的植物点云补全网络。该网络首先通过降采样特征提取模块对原始点云进行邻域特征提取;然后利用Transformer提取语义信息,引入多尺度几何感知模块提取不同尺度下的几何信息,加强对植株不同器官的特征提取能力;最后使用双路稠密点云生成模块分别对输入部分和预测部分进行细粒度生成,避免输入点云特征的丢失,保证稠密点云贴近实际分布。试验使用基于运动恢复结构的方法对植物幼苗进行三维重建,通过旋转与固定视点缺失构建数据集。试验结果表明,该补全网络表现出色,比目前主流的补全网络更优,对植株数据集补全结果的倒角距离为0.79×10^(-4)cm,地面移动距离为0.11 cm,F1分数为70.77%,且对不同形态、不同比例的缺失均能补全,体现网络具有稳定性与健壮性。该网络对叶类植物补全效果好,为植物幼苗点云补全提供了新思路。展开更多
文摘随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续模型训练提供信息丰富的数据表征基础。本文设计一种高效的二阶段预测模型,用于解决重疾预测中存在的时效与成本等问题。该模型的第一阶段对病例样本进行粗粒度预测,将危重程度低的病例进行疾病初筛,起到提前分流病人的作用;第二阶段模型则基于第一阶段的粗滤结果,对潜在的危重病例进行更细粒度的预测。通过实验验证,经过异质属性融合处理后,在选择前6个时间点构造非时序模型时,二阶段模型可以较好地兼具疾病初筛以及疾病预测的效果。
文摘在植物表型研究中,植物器官分割是实现无损、高通量、自动化表型测量的重要步骤。然而,现有植物器官分割方法通常需要凭借经验设置合理的阈值参数,且很少同时执行语义分割和实例分割。该研究提出了一个基于三维点云的植物多任务分割网络(a multi-task segmentation network for plant on 3D point cloud,MT-SegNet),结合多值条件随机场(multi-value conditional random field,MV-CRF)模型,同时实现茎、叶语义分割和叶实例分割。在MT-SegNet中,为解决用最大池化或平均池化方法来聚合邻域点特征可能会导致重要信息丢失的问题,该研究提出了一种基于注意力机制的多头注意力池化模块。它能自动学习到重要的邻域点特征,从而有利于提高网络的分割性能。同时,MT-SegNet分成两个不同的分支,分别用于预测点的语义类别和将这些点嵌入到高维向量,以便将这些点聚类为实例。最后,使用MV-CRF进行多任务的联合优化。在彩叶芋点云数据集上的试验结果表明,该方法的茎、叶语义分割的交并比、准确率、召回率和F1分数的平均值分别为84.54%、93.64%、91.39%、92.48%,叶实例分割的平均准确率、平均召回率、平均实例覆盖率和平均加权实例覆盖率分别为88.10%、78.44%、76.24%、76.93%,均优于PointNet、JSNet等现有的深度学习网络。该模型也适用于类似植物的点云分割类任务。这有助于为植物自动化表型测量提供必要的技术条件。
文摘对植物幼苗进行三维重建,常存在叶片间的遮挡、摄像头视野限制等因素导致植物幼苗点云出现缺失的情况,影响了植物表型分析的准确度。为了能获得完整的植物点云,提出了基于多尺度几何感知Transformer(Multi-Scale Geometry-Aware Point Transformer,MGA-PT)的植物点云补全网络。该网络首先通过降采样特征提取模块对原始点云进行邻域特征提取;然后利用Transformer提取语义信息,引入多尺度几何感知模块提取不同尺度下的几何信息,加强对植株不同器官的特征提取能力;最后使用双路稠密点云生成模块分别对输入部分和预测部分进行细粒度生成,避免输入点云特征的丢失,保证稠密点云贴近实际分布。试验使用基于运动恢复结构的方法对植物幼苗进行三维重建,通过旋转与固定视点缺失构建数据集。试验结果表明,该补全网络表现出色,比目前主流的补全网络更优,对植株数据集补全结果的倒角距离为0.79×10^(-4)cm,地面移动距离为0.11 cm,F1分数为70.77%,且对不同形态、不同比例的缺失均能补全,体现网络具有稳定性与健壮性。该网络对叶类植物补全效果好,为植物幼苗点云补全提供了新思路。
