针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

针对直肠癌辅助诊断过程中部分医学图像分割模型只适用于单一模态图像的局限性,提出一种基于交叉注意力机制并同时适用于CT与MRI两种模态的医学图像分割方法.首先,针对CT与MRI两种图像特征表示不同,提出一种交叉注意力机制统一两类图像的特征表示;其次,针对直肠癌图像病灶区域较小的特点,提出三支路的改进Swin Transformer分割网络,并将交叉注意力机制加入其中,使模型对两种图像都能进行病灶区域的分割;最后,使用该方法在直肠癌患者的CT与MRI影像数据进行验证,与ADDA、CycleGAN和SIFA方法相比,在CT图像上的准确率分别提高2.94%、3.05%、0.71%,在MRI图像上的准确率分别提高了3.31%、4.55%、1.76%.实验结果表明该方法对于两类图像具有更好的分割性能.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

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.

认知功能障碍是抑郁症重要的临床表现之一，主要表现为执行功能、注意力、记忆力、信息处理速度等方面的功能受损。抑郁症合并认知功能障碍不仅是其疗效不佳的预测因素，而且与痴呆之间也存在密切的联系。既往研究表明抑郁症与认知障碍之间可能存在多种生理机制的改变。随着神经影像学技术的迅速发展，静息态功能磁共振成像作为一种新兴技术，被广泛应用于探讨抑郁症与认知障碍的神经生物学机制。本文通过综述抑郁症合并认知功能障碍的静息态功能磁共振成像表现，发现脑内默认模式网络、认知控制网络、突显网络激活或减弱，网络间功能连接发生改变，存在着损害和代偿并存的现象。上述脑功能的改变，有望成为抑郁症合并认知功能障碍的治疗靶点。

目的:采用基于独立成分分析(ICA)的静息态脑功能网络连通性(FNC)方法，分析卒中后基底节失语症(BGA)患者的FNC变化特征，探讨其发生及针刺联合语言康复训练干预下的恢复机制。方法:采用前瞻性观察性研究方法，纳入2021年7月至2022年12月于首都医科大学附属北京中医医院就诊的右利手BGA患者16例，以及年龄、性别、教育程度、利手相匹配的健康被试者14例，采集健康被试者及干预前后BGA患者的静息态功能磁共振、人口学信息以及《西部失语症检查》资料，应用基于MATLAB平台的GIFT工具箱进行ICA及静息态脑网络FNC分析，横向对比BGA患者与健康被试者FNC差异，纵向比较干预前后BGA患者FNC变化。结果:与健康被试者相比，卒中后BGA患者干预前表现为基底节网络与默认网络、视觉网络的连通性减弱，而听觉网络和右侧额顶网络、楔前叶网络的连通性增强；针刺联合语言康复训练干预后表现为基底节网络与视觉网络、楔前叶网络的连通性减弱，前凸显网络与双侧额顶网络的连通性减弱，而默认网络和听觉网络、右侧额顶网络、视觉网络的连通性增强。BGA患者组内干预前后表现为基底节网络与左侧额顶网络连通性增强。结论:基底节网络与其他脑网络间的FNC变化是反映BGA发生与语言功能恢复机制的关键，针刺联合语言康复训练可能通过增强基底节网络与左侧额顶网络的连通性来改善语言功能，而注意力资源的重新分配可能也是促进BGA患者语言功能恢复的原因之一。

目的:探究卷积注意力模块（CBAM)与Unet不同融合路径对于急性胰腺炎患者增强CT图像中胰腺自动分割的有效性。方法:回顾性分析川北医学院附属医院2016年1月1日至2021年7月30日收治的1 158例急性胰腺炎患者，纳入首发急性胰腺炎患者141例，依据轻、中、重病例各随机选取5例共15例作为测试集，余下126例作为训练集，在训练集中再随机划分20%的数据作为验证集。以Dice相似系数、豪斯多夫距离（HD）和像素准确率（PA）作为评价指标，对CBAM与Unet网络的不同融合路径进行训练，取验证集表现最佳的模型，在训练集上评估其性能，并将其与Unet、在跳级连接部分加入了注意门注意力机制（AttentionUnet）、在Unet网络中用ResBolck替代原有的卷积模块（ResUnet）、在特征提取的跳级连接分支模块融入CBAM（ResUnet_CBAM）模型进行比较。结果:Unet_CBAM在训练集上取得的效果更好，Dice相似系数为80.06%，HD为3.765 9，PA为0.992 3，均优于其他融合路径，对急性胰腺炎患者CT图像中胰腺区域的分割效果均优于Unet及其相关的变体网络。结论:Unet网络在跳级连接后融入CBAM能够较好地对急性胰腺炎患者增强CT图像行胰腺分割，能有效地提升相关人员对急性胰腺炎患者增强CT图像进行胰腺分割的效率。

目的:应用注意力机制网络的多实例学习（Attention-MIL）框架技术，实现慢性胃炎多项指标的自动识别。方法:收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1 015例和上海市浦东医院诊断为胃炎活检病例115例，所有病理切片经扫描仪进行数字化处理，转化为全载玻片成像（whole slide imaging，WSI），WSI标签依据胃炎病理报告，包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集，Attention-MIL模型在3个测试集上评价自动识别的准确性。结果:Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积（AUC）值分别为：“活动性”0.98，“萎缩”0.89，“肠化”0.98，3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为：“活动性”0.95，“萎缩”0.86，“肠化”0.94，3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为：“活动性”0.93，“萎缩”0.84，“肠化”0.90，3项指标的平均准确率为85.5%。结论:在慢性胃炎的人工智能辅助病理诊断中，Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果，这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

目的:探讨不同亚型注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）儿童的脑皮质结构特征差异。方法:从美国儿童心理研究所健康大脑网络项目中获得412例样本数据，包括ADHD患儿288例（ADHD组），其中混合型151例（ADHD-C组）、多动冲动型20例（ADHD-H组）、注意缺陷型117例（ADHD-I组）以及对照儿童124名（对照组）。使用FreeSurfer软件对脑结构图像进行分析，获取受试者的脑皮质体积及皮质厚度、表面积数据，对三类脑结构特征组间比较分别进行方差分析以及事后简单效应分析。结果:ADHD患者中3个亚组与对照组之间，左侧顶上回（ Z=5.94）、颞上回（ Z=5.49）皮质体积差异有统计学意义（蒙特卡洛校正， P<0.05）。与对照组比较，ADHD-H组在左侧顶上回皮质体积显著增大（ Z=6.79），而ADHD-I组在左侧颞上回（ Z=-5.12）及外侧枕叶皮质（ Z=-6.40）体积显著减小，ADHD-C组在左侧外侧枕叶皮质（ Z=-3.37）体积显著减小。ADHD患者中3个亚组间的比较显示，ADHD-I组（ Z=-7.33，MNI坐标：x=-26.8，y=-60.6，z=45.4）及ADHD-C组（ Z=-7.14，MNI坐标：x=-26.6，y=-60.2，z=45.4）的左侧顶上回皮质体积均小于ADHD-H组，而ADHD-I组及ADHD-C组之间的皮质体积差异无统计学意义（蒙特卡洛校正， P>0.05）；进一步控制性分析显示，样本量、年龄、性别对结果无影响。对体积的来源即皮质厚度和表面积分析显示，ADHD亚型在皮质体积的异常主要受脑皮质表面积主导。 结论:顶上回脑皮质结构可能是区分ADHD不同亚型的主要脑结构特征，这将有助于进一步探究ADHD的神经发育机制并指导临床更加精准及特异化的治疗。