基于子网融合的贝叶斯网络结构学习算法

针对贝叶斯网络结构学习K2算法要求提供实际难以获得的准确先验节点顺序信息以及爬山算法对初始网络结构依赖性强且容易陷入局部最优的问题,提出了一种基于子网融合的贝叶斯网络结构学习算法Sub-BN-Merge。该算法首先为每个节点构造一个子网,并以Voting的方式融合生成每个节点的候选父节点集,然后基于评分函数在候选集中为每个节点搜索最优父节点集合,最后消除所得网络结构中的环路,并以此为初值进一步采用启发式搜发方法对其进行优化。在小型网络Asia、中型网络Alarm和大型网络Win95pts上进行了实验验证,同时分析了算法在数据存在缺失值情况下的性能。实验结果证明了算法的有效性,Sub-BN-Merge算法在结构汉明距和算法正确率方面优于对比算法。

面向乳腺超声的跨模态注意力网络

B型超声和超声造影是乳腺诊断中最常见的多模态数据,克服现有研究中广泛存在的肿瘤区域标注难、模态间关系剥离难、模态融合特征冗余的问题,能有效提升联合模态乳腺肿瘤诊断的准确率。该文提出了一个面向乳腺超声的跨模态注意力网络。该网络以双分支为基础结构。堆叠双模态数据分支能隐式地建立模态间的关系,同时提取单双模态数据特征。超声造影分支在缺乏手工标注的情况下,利用跨模态注意力模块,关注时空上的造影特征。最后利用压缩通道融合子网将两个分支融合,最大程度利用特征并降低模态融合特征冗余。在乳腺超声数据集BUS_Dataset上的实验表明,该网络优于现有乳腺肿瘤诊断方法。通过多项指标分析,该方法对乳腺肿瘤诊断具有较强的指导意义。