提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

目的:探讨急性小脑梗死患者认知功能的改变及其与大脑结构网络的关系。方法:选择南京医科大学附属脑科医院神经内科自2016年7月至2019年10月收治的36例小脑后叶梗死患者作为小脑梗死组；选择同期门诊体检以及年龄、性别和受教育年限与小脑梗死组患者相匹配的30例健康对照者作为对照组。对2组受试者进行神经认知和行为学测试以评估其认知功能以及进行MRI扫描获得弥散张量成像(DTI)数据，并采用确定性纤维追踪算法以及图形理论获得受试者大脑结构网络拓扑特征参数。比较2组间临床资料、大脑结构网络拓扑特征参数的差异，并采用相关性分析评估小脑梗死组患者大脑结构网络拓扑特征参数与认知功能的相关性。结果:与对照组比较，小脑梗死组患者的简易精神状态检查量表(MMSE)、蒙特利尔认知评估量表(MoCA)评分降低，听觉词语学习测试(RAVLT)、数字广度测试(DST)、画钟测试(CDT)评分及Berg平衡量表(BBS)评分均降低，连线测验(TMT)-A、TMT-B用时增加，差异均有统计学意义( P<0.05)。与对照组比较，小脑梗死组患者脑网络全局效率(Eglob)和局部效率(Eloc)降低，聚类系数(Cp)和最短路径长度(Lp)增加，差异均有统计学意义( P<0.05)。与对照组比较，小脑梗死组患者14个脑区[左侧、右侧的内侧和旁扣带脑回(DCG)，左侧岛盖部额下回(IFGoperc)，左侧、右侧的补充运动区(SMA)，左侧、右侧的楔前叶(PCUN)，左侧眶部额下回(ORBinf)，左侧颞极颞上回(TPOsup)，左侧颞极颞中回(TPOmid)，左侧顶下缘角回(IPL)，左侧、右侧后扣带回(PCG)，左侧三角部额下回(IFGtriang)]的区域效率降低，差异均有统计学意义( P<0.05)。小脑梗死组患者的MoCA评分与脑网络Lp呈负相关关系( P<0.05)，与Eglob及右侧DCG、左侧DCG、右侧PCG区域效率均呈正相关关系( P<0.05)；小脑梗死组患者的RAVLT评分与Eglob呈正相关关系( P<0.05)，TMT-A用时与左侧DCG区域效率呈负相关关系( P<0.05)；TMT-B用时与右侧DCG、右侧PCUN、左侧DCG区域效率呈负相关关系( P<0.05)，但是与Lp呈正相关关系( P<0.05)。 结论:急性小脑梗死患者存在记忆、执行能力、视空间及注意力认知障碍，同时双侧PCUN、PCG、DCG和额颞叶信息传递效率降低，其中右侧PCG、双侧DCG以及右侧PCUN的异常改变可能在其认知功能障碍的形成中起关键作用。

目的:构建融合空气数据的深度网络慢性阻塞性肺疾病（慢阻肺）评估测试（CAT）评分预测模型，并探讨其意义。方法:采用定组研究的方法，自2015年2月至2017年12月从北京大学第三医院、北京大学人民医院和北京积水潭医院呼吸科门诊入选稳定期的慢阻肺患者，采集患者住宅区附近的室外环境监测空气数据，计算患者每日空气污染物暴露量和天气数据，并连续记录患者每日的CAT评分。通过融合时序算法和神经网络建立模型对患者未来一周的CAT评分进行预测，并比较该模型与长短期记忆模型（LSTM）、添加全局注意力机制的LSTM模型（LSTM-attention）和自回归移动模型（ARIMA）的预测准确程度，并探讨预测模型的意义。结果:共纳入47例慢阻肺患者，平均随访时间为381.60 d，利用采集的空气数据和CAT评分构建长短期记忆模型-卷积神经网络-自回归（LSTM-CNN-AR）模型，其模型的均方根误差为0.85，平均绝对误差为0.71，较LSTM、LSTM-attention和ARIMA三者中最优模型平均预测准确度提升21.69%。结论:基于慢阻肺患者所处环境的空气数据，融合深度网络模型可更精准地预测慢阻肺患者的CAT评分。

目标 建立一种新的基于全局-局部注意机制和YOLOv5的宫颈病变细胞检测模型(Trans-YOLOv5),为准确、高效地分析宫颈细胞学图像并做出诊断提供帮助.方法 使用共含有7410张宫颈细胞学图像且均包含对应真实标签的公开数据集.采用结合了数据扩增方式与标签平滑等技巧的YOLOv5网络结构实现对宫颈病变细胞的多分类检测.在YOLOv5骨干网络引用CBT3以增强深层全局信息提取能力,设计ADH检测头提高检测头解耦后定位分支对纹理特征的结合能力,从而实现全局-局部注意机制的融合.结果 实验结果表明Trans-YOLOv5优于目前最先进的方法.mAP和AR分别达到65.9%和53.3%,消融实验结果验证了Trans-YOLOv5各组成部分的有效性.结论 本文发挥不同注意力机制分别在全局特征与局部特征提取能力的差异,提升YOLOv5对宫颈细胞图像中异常细胞的检测精度,展现了其在自动化辅助宫颈癌筛查工作量的巨大潜力.

由于CT影像对比度低、肝脏形状不规则、相邻器官边界模糊,目前基于卷积神经网络的方法在肝脏分割任务上的表现不佳,尤其是在边界识别和小目标检测方面.基于此,提出一种基于多尺度特征融合与注意力的肝脏分割方法(MFFA UNet).首先,利用多尺度特征融合获取丰富的分割信息,同时使用空间和通道注意力机制捕获全局空间和通道间的关系.其次,通过深度监督模块充分利用中间隐藏层的输出,增强网络的学习能力,加快网络收敛速度.此外,采用一种混合损失函数,以解决类别不平衡的问题,进一步提升模型的分割效能.实验结果表明,所提出的MFFA UNet方法在公共数据集LITS上的表现超越当前主流分割网络,分割结果更接近真实值.

目的 为解决CT扫描视野(FOV)不足导致的截断伪影和图像结构失真问题,本文提出了一种基于投影和图像双域Transformer耦合特征学习的CT截断数据重建模型(DDTrans).方法 基于Transformer网络分别构建投影域和图像域恢复模型,利用Transformer注意力模块的远距离依赖建模能力捕捉全局结构特征来恢复投影数据信息,增强重建图像.在投影域和图像域网络之间构建可微Radon反投影算子层,使得DDTrans能够进行端到端训练.此外,引入投影一致性损失来约束图像前投影结果,进一步提升图像重建的准确性.结果 Mayo仿真数据实验结果表明,在部分截断和内扫描两种截断情况下,本文方法DDTrans在去除FOV边缘的截断伪影和恢复FOV外部信息等方面效果均优于对比算法.结论 DDTrans模型可以有效去除CT截断伪影,确保FOV内数据的精确重建,同时实现FOV外部数据的近似重建.

目的/意义 改善中文电子病历命名实体识别模型的性能,更好地开展医疗信息的组织和挖掘.方法/过程 构建ERNIE-BiGRU-Attention-CRF中文电子病历命名实体识别模型,首先采用ERNIE1.0 预训练模型生成具有语义特征的词向量,然后利用BiGRU捕获全局语义特征与语法结构特征,通过Attention机制进一步增强语义特征的捕获,最后连接CRF解码层输出全局概率最大的标签序列.结果/结论 在公开的医疗文本数据集CCKS2017 开展对比实验、消融实验,利用生成的模型进行实例分析,取得较好的识别效果.

目的:通过全局注意力多任务网络提升CT图像细小骨折检测的感知,通过多任务实现实例级别细小骨折目标的检测,快速、准确地从大量CT图像中识别并定位骨折,以辅助临床及时开展治疗.方法:引入分组非局部(non-local)网络方法,计算CT图像连续切片任何位置和通道之间的远程依赖关系,将多目标检测模型3D RetinaNet单级检测器与医学图像语义分割(3D U-Net)架构相融合,实现端到端的多任务3D卷积网络,以多任务联合的方式实现对细小骨折的实例级别检测.选择医学图像计算与计算机辅助干预(MICCAI)2020挑战赛提供的肋骨骨折公开数据集(Rib Frac Dataset)600例CT扫描图像,通过5∶1的比例划分为训练集(500例)和验证集(100例),测试多任务3D卷积网络的精度性能.结果:多任务3D卷积网络方法的检测精度性能优于单任务网络FracNet、3D RetinaNet及3D Retina U-Net,其平均精度与3D RetinaNet和3D Retina U-Net网络相比分别高出7.8%和11.4%,且优于3D Faster R-CNN、3D Mask R-CNN两种单任务网络检测方法,平均精度分别高出约6.7%和3.1%.结论:全局注意力多任务网络融合不同模块,对于细小骨折检测性能均有提升,引入分组非局部(Non-local)网络方法能够进一步提升对细小骨折目标的检测精度性能.

肺癌是目前死亡率最高的恶性癌症之一,其中非小细胞肺癌(NSCLC)致死率极高.最近医学研究发现,肿瘤突变负荷(TMB)对于癌症的免疫治疗和化疗的疗效具有较好的预测作用,但传统使用基因测序计算TMB的方法存在检测成本高、周期长、样本依赖度高等缺点.针对上述问题,本研究提出一种混合卷积神经网络和自注意力机制的深度学习模型(FCA-Former)用于预测TMB.该模型以CoAtNet为骨干网络,通过在网络中结合坐标注意力以及融合深度可分离卷积的方式,提高模型的运算速度以及对病理组织切片图像的全局特征提取能力.实验数据采用TCGA数据库中肺腺癌数字病理切片图像数据集,其中高TMB水平的样本271张,低TMB水平的样本66张.实验结果表明,所提方法达到的最高平均曲线下面积(AUC)为98.1％,比现有最好方法RcaNetr提高9.8％.此项研究结果对于NSCLC的预后治疗效果具有较强的指导意义.

针对过去对急性肾损伤(acute kidney injury,AKI)患者的识别存在临床时间序列数据未被充分利用、提前预测窗口较短及缺少连续预测研究等不足,本研究提出了一种卷积神经网络和两阶段交叉注意力的混合网络模型(CTSA-Net),实现对 1 期及以上AKI的每小时连续预测.CTSA-Net的注意力支路、CNN支路及特征融合模块可增强对时间序列数据的全局表示以及局部细节的感知能力,从而提高对AKI的连续预测性能.在AKI发生时、发生前24、48及72h四个预测时间点,模型预测AKI的受试者工作特征曲线下面积分别为0.946、0.907、0.895 和 0.879,准确率-召回率曲线下面积分别为 0.979、0.960、0.949 和 0.939.实验结果表明,CTSA-Net模型在多个预测时间点进行AKI预测的性能较好,可用于患者的实时监测,辅助医生进行临床决策.