摘要：针对肺部X射线图像的病灶区域较小、形状复杂,与正常组织间的边界模糊,使得肺炎图像中的病灶特征提取不充分的问题,提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型,设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块(GADRM),采用双残差结构进行高效的特征融合,将双残差结构与通道混洗、通道注意力、空间注意力结合,增强模型对于病灶区域特征的提取能力;在网络的高层采用全局局部特征提取模块(GLFEM),结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征,获得高层语义信息的全局特征,进一步增强网络的语义特征提取能力;设计了跨层双注意力特征融合模块(CDAFFM),融合浅层网络的空间信息以及深层网络的通道信息,对网络提取到的跨层特征进行增强。为了验证本文模型的有效性,分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明,本文所提出网络的准确率、精确率、召回率,F1值和AUC值分别为98.41%,94.42%,94.20%,94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断,具有重要的临床作用。

摘要：基于生成对抗网络(Generative Adversarial Network,GAN)的医学图像融合是计算机辅助诊断领域的研究热点之一,但是现有基于GAN的融合方法存在训练不稳定,提取图像的局部和全局上下文语义信息能力不足,交互融合程度不够等问题。针对上述问题,本文提出了双耦合交互式融合GAN(Dual-Coupled Interactive Fusion GAN,DCIFGAN)。首先,设计了双生成器双鉴别器GAN,通过权值共享机制实现生成器之间和鉴别器之间的耦合,通过全局自注意力机制实现交互式融合;第二,设计耦合CNN-Transformer的特征提取模块(Coupled CNN-Transformer Feature Extraction Module,CC-TFEM)和特征重构模块(CNN-Transformer Feature Reconstruction Module,C-TFRM),提升了对同一模态图像内部的局部和全局特征信息提取能力;第三,设计跨模态交互式融合模块(Cross Model Intermodal Fusion Module,CMIFM),通过跨模态自注意力机制,进一步整合不同模态间的全局交互信息。为了验证本文模型的有效性,在肺部肿瘤PET/CT医学图像数据集上进行实验,该文方法在平均梯度,空间频率,结构相似度,标准差,峰值信噪比,信息熵等上与其他四种方法中最优方法相比,分别提高了1.38%,0.39%,29.05%,30.23%,0.18%,4.63%。模型能够突出病变区域信息,融合图像结构清晰且纹理细节丰富。

摘要：新冠肺炎(COVID-19)自爆发以来严重影响人类生命健康,近年来残差神经网络广泛应用于COVID-19识别任务中,辅助医生快速地诊断COVID-19患者,但是COVID-19图像病变区域形状复杂、大小不一,与周围组织的边界模糊,导致网络难以提取有效特征.本文针对上述问题,提出一种M^(3)Res-Transformer的新冠肺炎胸部X-ray图像识别模型,采用Res-Transformer作为模型的主干网络,结合ResNet和ViT,有效地整合局部病变特征和全局特征;设计混合残差注意力模块(mixed residual attention Module,mraM),同时考虑通道和空间位置的相互依赖性,增强网络的特征表达能力;为了增大感受野,提取多尺度特征,通过叠加具有不同扩张率的扩张卷积构造多尺度扩张残差模块(multiscale dilated residual Module,mdrM),根据不同层次特征尺度的差异,使用3个逐渐收缩尺度的mdrM进行多尺度特征提取;提出上下文交叉感知模块(contextual cross-awareness Module,ccaM),使用深层特征中的语义信息来引导浅层特征,然后将浅层特征中的空间信息嵌入深层特征中,采用交叉加权注意力机制高效聚合深层和浅层特征,获得更丰富的上下文信息.为了验证本文所提模型的有效性,在新冠肺炎胸部X-ray图像数据集上进行实验,与先进的CNN分类模型、融合不同注意力机制的ResNet50模型、基于Transformer的分类模型对比以及消融实验.结果表明,本文所提模型的Acc、Pre、Rec、F1-Score与Spe指标分别为96.33%、96.36%、96.33%、96.35%与96.26%,在COVID-19胸部X-ray图像识别任务中有效提升了识别精度,并通过可视化方法对其进行进一步验证,为COVID-19的辅助诊断提供重要的参考价值.

摘要：多模态医学图像可在同一病灶处提供更多语义信息,针对跨模态语义相关性未充分考虑和模型复杂度过高的问题,该文提出基于跨模态轻量级YOLOv5(CL-YOLOv5)的肺部肿瘤检测模型。首先,提出学习正电子发射型断层显像(PET)、计算机断层扫描(CT)和PET/CT不同模态语义信息的3分支网络;然后,设计跨模态交互式增强块充分学习多模态语义相关性,余弦重加权计算Transformer高效学习全局特征关系,交互式增强网络提取病灶的能力;最后,提出双分支轻量块,激活函数簇(ACON)瓶颈结构降低参数同时增加网络深度和鲁棒性,另一分支为密集连接的递进重参卷积,特征传递达到最大化,递进空间交互高效地学习多模态特征。在肺部肿瘤PET/CT多模态数据集中,该文模型获得94.76%mAP最优性能和3238 s最高效率,以及0.81 M参数量,较YOLOv5s和EfficientDet-d0降低7.7倍和5.3倍,多模态对比实验中总体上优于现有的先进方法,消融实验和热力图可视化进一步验证。

摘要：教育信息化的发展为教育带来了全新的视野,学习方式多样化、学习渠道多元化、学习场所智慧化、学习资源丰富化已成为教育发展的新形势。基于此,本文以CoI模型作为混合式教学模式的理论框架,依托智慧学习平台为技术手段,提出并构建“基于CoI理论”的混合教学模式,并在初中信息技术课进行探索实践,以期丰富与优化初中信息技术教学方式并探索推广多样化的混合式教学形式。

摘要：正电子发射断层显像/X线计算机体层成像(PET/CT)肺部图像中存在病灶区域特征像素信息少、形状复杂多样,病变与周围组织界限模糊等问题,导致模型对肿瘤病变特征提取不充分。针对上述问题,本文提出基于密集交互式融合Mask RCNN(DIF-Mask RCNN)实例分割模型。首先设计具有跨尺度主辅结构的特征提取网络,提取出不同尺度病灶特征;然后设计密集交互式增强辅助网络(DIFEN),通过将最浅层病变特征以密集连接形式与邻近特征、当前特征进行交互融合,增强深层特征图中病灶细节信息;最后构建密集交互式融合金字塔网络(DIF-FPN),在自下而上路径中将浅层信息逐个以密集连接方式补充到深层特征中,进一步加强模型对病变区域的微弱特征感知力。在临床PET/CT肺部图像数据集上进行消融实验和对比实验,结果表明所提模型对于病变区域实例分割的APdet、APseg、APdet_s、APseg_s指标分别为67.16%、68.12%、34.97%、37.68%,与Mask RCNN(ResNet50)相比在APdet和APseg指标上分别提升7.11%、5.14%。DIF-Mask RCNN模型能够有效检测分割肿瘤病变,为肺癌辅助诊断提供重要的参考价值与评估依据。

摘要：阐述CDIO的工程教育模式,提出在医学信息工程和电子信息科学与技术(医学信息方向)课程教学的实践能力培养中,引入CDIO理念,以C语言程序设计课程为例,进行一体化课程教学的创新。

摘要：目的 肺部肿瘤早期症状不典型易导致错过最佳治疗时间,有效准确的肺部肿瘤检测技术在计算机辅助诊断中变得日益重要,但在肺部肿瘤PET/CT(positron emission computed tomography/computed tomography)多模态影像中,肿瘤与周围组织粘连导致边缘模糊和对比度低,且存在病灶区域小、大小分布不均衡等问题。针对上述问题,提出一种跨模态注意力YOLOv5(cross-modal attention you only look once v5, CA-YOLOv5)的肺部肿瘤检测模型。方法首先,在主干网络中设计双分支并行的自学习注意力,利用实例归一化学习比例系数,同时利用特征值与平均值之间差值计算每个特征所包含信息量,增强肿瘤特征和提高对比度;其次,为充分学习多模态影像的多模态优势信息,设计跨模态注意力对多模态特征进行交互式学习,其中Transformer用于建模深浅层特征的远距离相互依赖关系,学习功能和解剖信息以提高肺部肿瘤识别能力;最后,针对病灶区域小、大小分布不均衡的问题,设计动态特征增强模块,利用不同感受野的多分支分组扩张卷积和分组可变形卷积,使网络充分高效挖掘肺部肿瘤特征的多尺度语义信息。结果 在肺部肿瘤PET/CT数据集上与其他10种方法进行性能对比,CA-YOLOv5获得了97.37%精度、94.01%召回率、96.36%mAP(mean average precision)和95.67%F1的最佳性能,并且在同设备上训练耗时最短。在LUNA16(lung nodule analysis 16)数据集中本文同样获得了97.52%精度和97.45%mAP的最佳性能。结论 本文基于多模态互补特征提出跨模态注意力YOLOv5检测模型,利用注意力机制和多尺度语义信息,实现了肺部肿瘤检测模型在多模态影像上的有效识别,使模型识别更加准确和更具鲁棒性。

摘要：为呼吸衰弱患者设计了居家自测球式呼吸训练器,该装置主要通过患者自我深长呼吸使空心筒顶部的球体上移,进而增强患者呼吸肌的扩张幅度,长期训练有利于改善肺功能。在患者呼气的同时,空心筒里面的静触点和动触点接触,使得LED灯发亮,起到监测指示作用,并且球体底部的连杆上连接有合金制成的配重块,能够根据患者需求选择配重块的安装数量,训练强度可调节。该球式呼吸训练器避免了以往其他辅助训练装置过于简单、存在二次感染的问题,可供不同状态的病患者肺部训练时使用,且安全性好、趣味性强。

摘要：针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状,不同体位所拍摄的CT影像存在较大差异,骨折部位大小不一,以及受到出血部位以及周围组织的干扰,骨折部位的特征提取不充分、骨折部位检测精度不高的问题,设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块,利用密集连接特性提高网络的特征提取能力;采用局部全局注意力模块来提取CT影像的全局信息;构造一个轻量化的多尺度密集块,以较少的参数量提取骨折部位的多尺度特征;在特征增强网络中设计跨维度双向特征融合模块,使得特征图的高度、宽度以及通道之间有所交互,同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性,在自建数据集上进行消融实验和对比实验。实验结果表明,在置信度阈值取0.5时,3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%,99.06%,98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位,辅助医生制定治疗方案。