胸部X线影像和诊断报告的双塔跨模态检索

针对现有胸部X线影像和诊断报告跨模态方法重点聚焦全局信息对齐,忽视影像和诊断报告间的细粒度语义关联,导致检索精度低、匹配度差的问题,提出全局和局部联合对齐的胸部X线影像和诊断报告双塔跨模态检索方法（CDTCR）。具体来说,针对细粒度语义表征,提出由残差网络组成的影像编码器学习影像的细粒度特征和由Transformer构成的BERT模型学习诊断报告的细粒度语义特征;针对细粒度语义关联问题,设计影像对句子和区域对词组两个不同粒度的模态间信息对齐策略,解决了不同模态间细粒度语义关联不足的问题。大型医学数据集MIMIC-CXR上的实验结果表明,CDTCR比现有的跨模态检索方法,检索精度更高、可解释性更强。     

基于ＴＣＮ－ＳＥ神经网络模型的智能连续血压估计方法

血压是反映人体心血管系统状况重要信息的四个生命体征之一,随着科技的进步,智能化血压测量逐渐融入人类的日常生活当中。针对当下血压测量方法复杂,测量精度不高等问题,提出了一种基于时域卷积网络中嵌入SE注意力机制（TCN-SE）的神经网络模型。该网络有效解决了现有方法中模型过拟合的问题,且进一步加强了模型对于不同通道信息的关注度。在保证信息完整的前提下,该模型可有效增大感受野。在重症监护中的多参数智能监测（MIMIC-II）数据集进行实验测试,通过计算均方误差和平均绝对误差等指标,得出收缩压的误差为5.09±7.04mmHg,舒张压的误差为2.96±4.23mmHg,表明所提出的方法相比于现有方法误差损失更低,在血压测量领域具有广阔的应用前景。