结合双注意力机制和级联思想的肝肿瘤分割

针对肝脏肿瘤存在的分割难点结合级联网络的思想,提出了一种融合了双注意力机制和U-Net架构优势的肝脏肿瘤分割网络(CDA-Net).首先,训练第一个DA-Net来实现肝脏的粗略分割;然后将第一阶段的分割结果与原始CT图做与操作,提取感兴趣区域,并将其输入第2个DA-Net实现肝肿瘤的精确分割;最后利用条件随机场对分割结果进行边缘约束,优化分割结果.在LiTS2017数据集上对模型进行训练及测试,平均Dice指标为0.658.实验结果表明,本文提出的方法具有较好的精度,证实了其对肿瘤分割的有效性.

基于中文医药文本的实体识别和图谱构建

知识图谱技术促进了新药研发的进展,但国内研究起点晚且领域知识多以文本形式存储,图谱重用率低。因此,本研究基于多源异构的医药文本,设计了以Bert-wwm-ext预训练模型为基础,并融合级联思想的中文命名实体识别模型,从而减少了传统单次分类的复杂度,进一步提高了文本识别的效率。实验结果显示,该模型在自建的训练语料上的F1分数达0.903,精确率达89.2%,召回率达91.5%。同时,将模型应用于公开数据集CCKS2019上,结果显示该模型能够更好地识别中文文本中的医疗实体。最后,利用此模型构建了一个中文医药知识图谱,图谱包含13530个实体,10939个属性,以及39247个相关关系。本研究所提出的中文医药实体识别与图谱构建方法,有望助力研究者加快医药知识新发现,从而缩短新药研发进程。