多分辨率信号小波网络在语音情感识别中的应用：SigWavNet 学术背景 语音情感识别（Speech Emotion Recognition, SER）在人机交互和心理学评估中扮演着重要角色。它通过分析语音信号来识别说话者的情感状态，广泛应用于紧急呼叫中心、健康护理和虚拟AI助手等领域。然而，尽管该领域取得了显著进展，系统复杂性、特征区分度不足以及噪声干扰等问题仍然存在。为了解决这些挑战，来自University of Québec、Concordia University和University of Québec at Montréal的研究团队提出了一种新的端到端深度学习框架——SigWavNet，直接从语音波形信号中提取有意义的特征，并通过多分辨率分析提升情感识别的准确性。 论文来源 ...

提升无人机目标检测的选择性频域交互网络 研究背景及问题提出 随着计算机视觉技术的发展，无人机目标检测已成为遥感领域的重要研究方向之一。无人机目标检测旨在从倾斜拍摄和高度多变的航拍图像中识别出诸如车辆、建筑物等目标。这一技术在环境监测、灾害管理以及安全监控等领域具有广泛应用。然而，受目标尺度、方向以及复杂背景的影响，无人机目标检测面临诸多挑战，包括目标间密集分布、光照差异和视角变化等问题。 当前大多数基于卷积神经网络（Convolutional Neural Networks, CNN）的解决方案主要注重空间和通道交互，忽视频域信息的重要性。频域信息对于捕捉对象的纹理、边缘等特定特征具有不可替代的作用，然而，现有的权重分配方法，例如通道注意力机制，难以完全利用频域信息，往往导致信息丢失。这种不...

基于弱地质先验的孔隙构建岩性模型的部分域适配研究 背景与研究问题 岩性识别在地层特性分析和油气储层勘探中扮演着至关重要的角色。然而，现有的基于人工智能和机器学习的岩性识别方法，在处理跨井数据时，仍面临着严峻的挑战。具体而言，由于各井之间复杂的沉积环境、不一致的物探设备及测量技术，导致跨井数据分布差异显著。此外，目标井可能包含全新的岩性类别，与已标注的源井数据之间存在标签空间的不一致性 (unshared label space)，这进一步加剧了模型在目标井中预测的难度。 本研究提出了一种基于部分域适配（Partial Domain Adaptation，PDA）的创新框架，用于实现复杂地质条件下的跨井岩性预测。核心挑战在于： 1. 数据分布的显著差异导致源井训练的模型无法直接适用于目标井数据...

深度学习解释性研究：基于扰动的归因图评估方法 背景和研究动机 随着深度学习模型在各种任务中取得显著成功，人们越来越关注这些模型的解释性和透明性。然而，尽管模型在准确性上表现卓越，其决策过程的可解释性仍然存在很大不足。这种不足限制了模型在实际应用中的推广，因为许多场景需要模型不仅能提供准确的预测，还需具备鲁棒性、不确定性估计以及对决策过程的直观解释能力。 在计算机视觉领域，归因方法（Attribution Methods）被广泛应用于神经网络的解释性研究。这些方法通过生成归因图（Attribution Maps，AMs），显示输入图像中哪些区域对模型的决策贡献最大。然而，由于归因图的定性特性，如何定量评估这些图的有效性仍是一个未解决的问题。本研究旨在解决归因图评估中面临的可靠性和一致性问题，为...

研究报告：基于TLS相关基因构建的口腔鳞状细胞癌预后模型的验证与分析 背景与研究动机 口腔鳞状细胞癌（Oral Squamous Cell Carcinoma，OSCC）是头颈部鳞状细胞癌（Head and Neck Squamous Cell Carcinoma，HNSCC）中最常见的亚型，具备高度的淋巴结转移倾向，尤其易于向颈部淋巴结扩散。根据2022年全球癌症观测报告（GCO），OSCC的新发病例数约为38万，其中因该疾病死亡的人数接近18.8万。GCO预计该病的发病率与死亡率到2040年仍将持续增长。目前，OSCC患者的预后主要通过评估肿瘤尺寸、淋巴结状况及远处转移情况来判断，即TNM分期系统。然而，即使处于相同TNM分期的患者，其预后差异显著，这反映出TNM分期在捕捉OSCC的免疫...

自蒸馏的掩码图像transformer在纵向MRI中的潜力——自动分割颈部淋巴结转移 报告介绍 在肿瘤放疗中，自动分割技术承诺提升速度并降低手工分割带来的读者间差异。在放射肿瘤学临床实践中，精确快速的肿瘤分割对于患者的个性化治疗至关重要。Ramesh Paudyal等来自Memorial Sloan Kettering Cancer Center的研究人员开展了这一项研究，旨在实现并评估“屏蔽图像变压器”（masked image modeling using vision transformers，即SMIT）算法在口咽部鳞状细胞癌患者的纵向T2加权MRI图像中的颈部淋巴结转移的自动分割精度。 这篇论文发表在《BJR|Artificial Intelligence》2024年第1期。这项研...

非侵入性胶质瘤分级研究综述：基于知识蒸馏的轻量级卷积神经网络 背景介绍 胶质瘤是中枢神经系统的主要肿瘤，早期检测非常重要。世界卫生组织（WHO）将胶质瘤分为Ⅰ至Ⅳ级，Ⅰ和Ⅱ级为低级胶质瘤（LGG），Ⅲ和Ⅳ级为高级胶质瘤（HGG）。准确分类胶质瘤对于生存率评估至关重要。 磁共振成像（MRI）是医学领域诊断和治疗胶质瘤的常用方法。目前，许多学者应用机器学习和深度学习方法进行胶质瘤分类。例如，Zacharaki等人成功应用支持向量机（SVM）算法在MRI图像中分类胶质瘤。而Fatemeh等人采用卷积神经网络（CNN）对MRI图像中的胶质瘤进行分类。遗憾的是，这些研究多集中在提高分类精度，但高参数的CNN架构难以在实际医疗环境中应用。此外，由于胶质瘤数据集较小，他们只能使用具有较少参数的CNN，因而...

注意引导的CNN框架用于3D MRI扫描的胶质瘤分割和评级研究 胶质瘤是人类最致命的脑肿瘤形式，及时诊断这些肿瘤是有效肿瘤治疗的重要一步。磁共振成像（MRI）通常提供对脑部病变的无创检查。然而，手动检查MRI扫描中的肿瘤需要大量时间，并且容易出错。因此，自动诊断肿瘤在胶质瘤的临床管理和外科干预中起着至关重要的作用。在这项研究中，我们提出了一个基于卷积神经网络（CNN）的框架，用于从3D MRI扫描中无创分级肿瘤。 背景介绍 胶质瘤是常见且致命的脑肿瘤，根据其侵袭性和恶性程度可以分为四级。低级别肿瘤（I-III级）通常较不具侵袭性且对治疗反应较好。然而，高级别肿瘤（IV级）具有高度侵袭性，例如胶质母细胞瘤，其治疗效果较差，仅有5%的患者能存活5年。 为了使用医疗影像开展胶质瘤的研究，研究者通常...

研究背景及研究目的 癫痫是一种自发性且严重的神经系统疾病，表现为反复发作，全球有大约5000万人受其影响[1]。尽管近年来抗癫痫药物（ASM）的发展有所进步，药物难治性癫痫（Drug-Resistant Epilepsy，DRE）仍影响着20%到30%的癫痫患者[1-3]。DRE患者不仅面临巨大的经济、社会和心理负担，但需长时间的药物试验才能确诊。早期识别高风险患者，可以为施行如癫痫手术、神经调控或生酮饮食等治疗方式提供更早的干预。 以往的研究已指出DRE的风险因素包括：早期发病、高频率发作、脑电图（EEG）异常、神经缺陷、认知障碍、创伤史和颅内结构病变等[5-9]。然而，对于新诊断的癫痫患者，这些因素的重要性尚不明确，因此需要综合工具来早期识别高风险患者。 脑电图在癫痫领域扮演着不可或缺的...

深度睡眠网络：基于单通道EEG的自动睡眠阶段评分模型 背景介绍 睡眠对于人体健康具有重要影响，监测人们的睡眠质量在医学研究和实践中至关重要。通常，睡眠专家通过分析多种生理信号（如脑电图 (EEG)、眼动电图 (EOG)、肌电图 (EMG) 和心电图 (ECG)）进行睡眠阶段评分。这些信号被称为多导睡眠图 (Polysomnogram, PSG)，经分类后用于确定个体的睡眠状态。然而，这种手动方法耗时且费力，需要专家持续数夜对多个传感器进行记录并分析。 基于多信号（如EEG、EOG和EMG）或单信号EEG的自动睡眠阶段评分方法已得到广泛研究。然而，大多数现有方法依赖于手工特征提取，这通常根据数据集的特性进行设计，无法推广到具有异质性的更大人群中。此外，较少方法考虑了用于识别睡眠阶段转换规则的时...