摘要：深度神经网络可通过训练从大脑图像中预测年龄,作为识别衰老相关疾病的生物标志物.传统的脑龄预测方法往往依赖于单一模态的图像数据,而多模态数据可提供更全面的信息,提高预测精度.然而,现有的多模态融合方法往往不能充分利用不同模态之间的相关性和互补性.为了克服上述问题,文中提出基于多模态模糊特征融合的脑龄协同预测算法(CMFF),设计模糊融合模块和多模态协同卷积模块,可有效利用多模态信息之间的相关信息和互补信息.首先,利用卷积神经网络从多模态脑图中提取特征张量,径向拼接后整合到一个全局特征张量中.然后,利用模糊融合模块学习被模糊化的特征,再将特征应用到多模态协同卷积模块,通过特定的卷积层增强模态间的互补信息.最后,基于性别信息和经过模糊协同处理的特征执行年龄预测回归任务,得到准确的预测年龄.在SRPBS多重障碍MRI数据集上的实验表明,CMFF性能较优.

摘要：眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义,然而视网膜血管结构细微、边界模糊且分布不规则,对其进行准确分割存在较大的难度.针对视网膜血管的这些特征,提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络(RCARUNet).该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元;接着基于粗糙神经元构建粗糙通道注意力模块,该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元,并进行神经元间的加权求和,对所建立的通道依赖关系进行合理的粗糙化,该依赖关系不仅包含全局信息,同时具有局部特性,可有效实现对所提取视网膜血管特征的准确重标定;然后添加残差连接,将特征直接从低层传递给高层,有助于解决网络性能退化问题,并有效提取更加丰富的视网膜血管特征;最后为了验证所提视网膜分割网络的有效性,在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验,实验结果表明,所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.

摘要：准确识别和分类组织病理图像对于疾病的早期检测和治疗至关重要.病理医生诊断时通常会采用多层次的方式进行判断,即观察各个倍率下细胞的异常区域,然而现有模型通常只能在单一粒度上进行特征提取,忽略细胞的多粒度特性.因此,文中提出模糊逻辑引导的多粒度深度神经网络.首先,针对细胞的构造,在粗粒度、中粒度和细粒度这3个粒度层面上进行多粒度特征提取,充分利用病理组织图像中的信息.同时,针对多粒度特征提取时出现的关键信息冗余问题,引入模糊逻辑理论,设置多个模糊隶属函数,分别描述细胞在不同角度上的特征.然后,通过模糊运算得到模糊通用特征,由此设计模糊逻辑引导的交叉注意力机制模块,实现模糊通用特征对多粒度特征的引导.最后,通过编码器将特征扩散至所有的补丁令牌,获得较好的分类准确性和鲁棒性.实验表明,文中网络在组织病理图像分类上具有较高的准确率.

摘要：结构脑网络(Structural brain network,SC)和功能脑网络(Functional brain network,FC)能从不同角度反映癫痫对大脑结构信息的改变。目前,融合两类脑网络信息进行癫痫的辅助诊断已成为领域内的重要研究之一。然而,常见的融合模型仅在单一粒度上融合两类脑网络信息,忽略了脑网络的多粒度属性。本文提出一种基于多模态多粒度融合网络(Multi-modal multi-grained fusion network,MMFN)的癫痫识别方法,从全局和局部两个粒度对多模态脑网络特征进行融合,充分利用两类脑网络信息。局部粒度上,设计了连接边特征融合和节点特征融合,用以重构两类脑网络的连接边层和节点层的特征图,使两个模态交互式地学习特征;全局粒度上,设计了多模态分解双线性池化模块,学习两类脑网络的联合表示。实验结果表明,相比主流方法,所提方法可以显著提高对癫痫识别的准确率,辅助医生进行癫痫诊断。

摘要：传统增量算法主要侧重于从更新近似的角度进行属性约简,但在处理大规模数据集时需要评估所有属性并反复计算重要度,提升时间复杂度,降低效率。针对上述问题,文中提出基于属性树的并行化增量加速策略,关键步骤是将所有属性聚类成多棵属性树进行并行化动态属性评估。首先,根据属性树相关性度量选择合适的属性树进行属性评估,降低时间复杂度。再增加分支系数至停止准则中,随着分支深度的增加进行动态增加,可使算法在达到最大阈值后自主跳出循环,有效避免原先的冗余计算,提高效率。基于上述策略,提出基于属性树的增量属性约简算法,同时与Spark并行机制结合,设计基于属性树的并行化增量式动态属性约简算法。在多个数据集上的广泛实验表明,文中算法在保持分类性能的同时,可提高动态变化数据集约简的搜索效率,具有较好的性能优势。

摘要：图卷积神经网络在解决节点分类问题时,使用拓扑图刻画节点间关系,并根据该拓扑图进行节点特征更新.然而,传统的拓扑图只能刻画节点之间的确定关系(即连接边权重为固定值),忽略真实世界中广泛存在的不确定性.这些不确定性不仅影响节点之间的关系,同时影响模型最终的分类性能.为了克服该缺陷,文中提出基于粗糙图的图卷积神经网络算法.首先,使用上下近似理论和传统拓扑图的边理论构造粗糙边,在粗糙边中使用成对出现的最大-最小关系值刻画节点之间的不确定关系,从而构建粗糙图.然后,设计基于粗糙图的可端到端训练的神经网络架构,将使用粗糙权重系数训练后的粗糙图输入图卷积神经网络,使用这些不确定信息更新节点特征.最后,根据这些学习的节点特征进行节点分类.在真实数据上的实验表明,文中算法可提高节点分类的准确率.

摘要：序贯三支决策是三支决策理论近年发展起来的一种新型决策方法。传统的序贯三支决策方法鲜有针对序贯信息粒的构建和其在分类学习中的应用的研究。针对这两个问题,研究了Local约简与Global约简之间的内在序贯性,并以此构建了具有约简特性的序贯信息粒。在此基础上设计了一种序贯三支分类器。实验结果表明,该序贯三支分类器不仅能很好地在合适信息粒上进行分类,而且较传统的分类算法提高了数据集的分类精度。

摘要：在不完备信息系统中,可变精度分类关系是限制容差关系的改进形式,但其并未考虑数据集中属性的测试代价。为解决这一问题,提出了基于测试代价敏感的可变精度分类粗糙集模型。进一步地,通过分析传统启发式算法没有考虑测试代价以及回溯算法的时间消耗等因素,提出一种新的属性重要度测量,并在此基础上设计了一种新的启发式算法。通过实验对比分析,说明了新提出算法的有效性。

摘要：采用深度学习对脑龄预测问题进行研究,提出并设计一种基于双通路卷积融合网络的脑龄分布预测模型,以有效预测被试的大脑年龄。将被试静息态功能磁共振成像(rest-state functional MRI,rs-fMRI)数据通过标记分布学习方法,将确定的脑龄标签转化为一组具有高斯分布的概率,设计一个双通路卷积融合网络,包含卷积、批量归一化、池化等步骤,可以同时学习rs-fMRI多类激活图的特征,通过一个低秩融合网络来融合这些特征,利用损失函数对网络更新优化;对预测模型的结果进行详细分析。该模型得到的绝对平均误差和相关系数的指标分别为5.735和0.592 4。试验结果表明,相较于其他模型,该模型取得的平均绝对误差更小,相关系数更高,显著提高了基于rs-fMRI图像的脑龄预测精度。

摘要：随着数据量的爆炸式增长,传统属性约简算法在处理海量数据时效率低下,评价指标单一且容易陷入局部最优,导致属性子集质量不高.为解决这些问题,本文设计一种适用于大数据场景的高效属性约简算法.首先,本文引入了粗糙超立方体方法的3个评价指标用于量化属性之间的关系,对所有待选属性进行综合评估,通过综合考虑这些评价指标得到更为紧凑、更具辨别力的属性子集.其次,本文针对传统启发式搜索策略效率低、容易陷入局部最优的缺点,对二进制灰狼算法进行改进,引入信息素矩阵来引导搜索过程,从而增强算法的搜索能力.信息素矩阵能够提供属性子集的全局信息,帮助算法更好地搜索解空间,从而避免陷入局部最优解.实验表明,本文算法可有效扩展到大规模数据集,在不同数据集的分类任务下取得了显著的性能提升,展现出较强的适应性.