基于层叠条件随机场的中文病历命名实体识别

提出了一种基于层叠条件随机场的中文病历命名实体识别新方法,该方法在第一层条件随机场模型中实现对病历中身体基本部位或组织和基本疾病名称的识别,将识别结果传递到第二层条件随机场模型(Conditional Random Field,CRF),同时定义一个由词性和实体特征结合而成的组合特征,与字符特征、词边界特征及上下文特征共同作为第二层CRF模型的特征集,为疾病名称和临床症状两类命名实体的识别提供决策支持。在利用CRF++进行的开放测试中,本文模型相比于无自定义组合特征的层叠CRF模型,F值提高了3%;相比于单层CRF模型,F值提高了7%,总体性能有显著提高。     

彩色视网膜眼底图像血管自动检测方法

为了给视网膜图像配准、光照校正及视网膜内部病理学检测等问题提供有效依据,本文提出一种有效检测及识别彩色视网膜眼底图像血管的全自动方法。针对视网膜可见血管呈长条型管状、局部具有较好直线型结构的形态特点,本文采取适用于条状结构的组合移位滤波响应模型进行特征提取。针对血管和血管末端特征的不同,分别配置对称和非对称的两种滤波模型进行跟踪,利用组合移位滤波模型(对称和非对称)获取到的响应及G通道像素灰度值共同构建特征向量库,采用AdaBoost分类器对各个像素点进行分类判定。基于国际公共数据库DRIVE与STARE的实验结果表明,该方法针对两个标准数据库的分割结果(DRIVE:Accuracy=0.948 9,Sensitivity=0.765 7,Specificity=0.980 9;STARE:Accuracy=0.956 7,Sensitivity=0.771 7,Specificity=0.976 6)均优于已有方法,适用于彩色视网膜眼底图像的计算机辅助定量分析,可作为临床借鉴。     

注意力感知的多尺度语义视杯盘分割

为了解决编码器-解码器网络结构在目标提取中抑制无关语义、跨越语义鸿沟等问题，以获取更高精度，采用UNet作为提取特征的主干网络；为了减轻浅层特征与深层特征语义的差异，设计一种融合注意力感知的多尺度语义池化模块（Channel-Spatial-Pyramid, CSP），替代早期层中的跳跃链接。CSP模块从空间与通道两个层面强调更有意义的语义信息，通过4个不同池化核的并行分支提取不同尺度特征，聚合所有分支结果与后期层特征拼接。实验结果表明，CSP-Net在彩色眼底图像视盘分割中的Dice指数可达99.6%，视杯分割结果的Dice指数为92.1%，相比现有算法均有提高。所提出的CSP-Net对于眼底图像中的微小目标提取的有效性及抗干扰性较高，可为青光眼筛查与诊断临床提借鉴。