基于残差卷积与多头自注意力的CXR图像分类

为了提高新型冠状病毒肺炎(COVID-19)检测的效率和准确性,本文提出一种自动识别COVID-19胸部X射线(CXR)图像的网络模型(MHRA-RCNet)。在ResNet50模型的基础上,首先,采用残差卷积对CXR图像中形状复杂的感染区域进行局部特征提取。其次,选择在ResNet50的第2、3阶段引入多头关系聚合模块,以增强对全局信息的建模能力;为了进一步将局部信息和全局信息进行融合,以提高特征的表达能力和特征之间位置的相关性,在ResNet50的最后阶段引入了空洞视觉Transforme模块,有助于识别CXR图像中复杂的病变区域。最后,将融合后的特征以串联方式输入全局平均池化层进行全局空间信息整合,通过多层感知机进行图像分类并进行可视化分析。在公开访问的COVID-19 Radiography Database数据集与其他深度学习模型进行实验对比。实验结果表明:本文模型在多项分类指标上具有较好的分类精度;另外,从精确度、灵敏度和特异性上也可以直观地看出本文模型能够较好地识别新冠肺炎,进一步证明了本文模型在图像分类任务中的优越性和有效性。

基于实例归一化的通道注意力模块

传统通道注意力模块在构建池化层和下采样层获取特征图通道权重时,不仅增加大量参数而且极大提高了模型的复杂度。为解决上述问题,提出一种实例归一化通道注意力模块(Instance Normalization Channel Attention Module,INCAM),通过采用实例归一化中的缩放变量度量方差来捕捉特征图通道权重,仅增加少量参数即可获得明显的性能增益。在CIFAR-100和CIFAR-10数据集上的大量实验表明,相对于原始的Res Net-50,嵌入INCAM的Res Net-50在Top-1 Error上降低了11.20%,而参数量仅增加了0.12%,并与其它注意力模块相比更加轻量和高效。

压力容器大型锻钢筒体的制造技术

随着设备的大型化,近年来在石油化工(加氢、脱硫反应器)、电力(核电站反应堆压力容器)、煤的液化、气化等诸工业中的压力容器使用厚环状截面的锻钢件的场合越来越多,从而使筒体锻件的锻造技术成为设计制造压力容器的一个关键问题。我国在八十年代初开始自行设计制造锻焊式加氢反应器,其简体锻件是由北京重型机器厂制造的。

重定位非极大值抑制算法

非极大值抑制(Non-Maximum Suppression,NMS)算法作为目标检测任务的后处理算法,其作用是从候选框集合中选出最优边界框并抑制其他候选框。传统NMS算法选取类别置信度最高的候选框作为最优边界框,忽略了类别置信度与定位精度之间的相关性,类别置信度高并不意味着该框的定位精度高。为了解决以上问题,提出一种新的重定位非极大值抑制(Relocation Non-Maximum Suppression,R-NMS)算法。选择类别置信度得分最高的候选框作为最优边界框,利用R-NMS算法提出的一种边界框距离度量方法替代交并比衡量边界框之间的距离。然后,获取最优边界框周围候选框的位置信息,利用位置信息对最优边界框执行重定位操作从而得到新的最优边界框。采用PASCAL VOC2012数据集进行测试,实验结果表明,与传统算法NMS和Soft-NMS相比,R-NMS算法在目标检测器YOLOv3上的mAP分别提高0.7%、0.5%,R-NMS算法在Faster-RCNN上的mAP达到80.83%。该算法能够有效提高目标检测器的检测精度。

基于心电人工智能的心脏年龄预测方法和应用

目的应用人工智能方法建立心脏年龄预测模型,评估其在真实世界心电数据上的心脏年龄预测效果。方法使用多个数据集对心脏年龄预测模型进行训练和验证。首先,获取20 s到数分钟心电图正常的12导联匿名心电图记录。该数据用于对模型的训练、验证和测试(测试集)。其次,在一个大型的开源心电数据集(PTB-XL数据集)上对训练完成的模型进行了外部验证。该数据集包含来源于18869例患者的21799条10 s的心电图记录。其中,测试集和PTB-XL数据集为12导联数据集,提取测试集和PTB-XL数据集中I导联构建单导联测试集和单导联PTB-XL数据集。最后,在一个包含184749例真实世界采集到的单导联心电数据集(Heartvoice数据集)上对心脏年龄预测模型进行了真实世界验证。Heartvoice数据集来源于2020年6月至2022年12月手持式单导联心电记录仪采集到的184749例受试者的心电记录。以受试者的生理年龄为金标准对心脏年龄预测结果和心龄变异性(HAV)进行验证,利用平均绝对误差(MAE)衡量心脏年龄预测模型的准确性。结果测试集的MAE分别为4.79岁(12导联)和6.45岁(单导联),PTB-XL数据集的MAE分别为8.06岁(12导联)和10.08岁(单导联),Heartvoice数据集的MAE为7.28岁。相关性分析结果显示:测试集的相关系数分别为0.887(P<0.0001,12导联)和0.87(P<0.0001,单导联),PTB-XL数据集的相关系数分别为0.790(P<0.0001,12导联)和0.711(P<0.0001,单导联),Heartvoice数据集的相关系数为0.849(P<0.0001)。一致性分析结果显示:PTB-XL数据集的均值误差分别为(-6.00±21.46)岁(12导联)和(-4.88±17.46)岁(单导联),Heartivoice数据集的均值误差为(-5.99±14.98)岁。结论基于人工智能方法的心脏年龄预测模型在心脏年龄预测方面具有较高性能,心脏年龄预测结果的差异可对用户起到警示作用,有望实现心脏疾病早期预警。