計算機科學學院徐勝舟老師在國際期刊IEEE Journal of Biomedical and Health Informatics發(fā)表高水平研究成果
作者：徐勝舟 編輯：徐勝舟 上傳：祝夢歡 審核：柯尊韜 發(fā)布時間：2024-12-16 瀏覽次數(shù)：
近期，計算機學院徐勝舟老師在中科院TOP期刊IEEE Journal of Biomedical and Health Informatics（原名為IEEE Transactions on Information Technology in Biomedicine，五年影響因子7.1）上發(fā)表了題為《ERetinaNet: An efficient neural network based on RetinaNet for mammographic breast mass detection》的高水平論文（論文鏈接：https://ieeexplore.ieee.org/document/10457004）。該論文受到了湖北省自然科學基金和中央高校基本科研業(yè)務費資助。徐勝舟老師為通訊作者，研究生陳羅林為論文第一作者，中南民族大學為第一署名單位。
乳腺X光檢查是一種有效的乳腺疾病診斷方法，計算機輔助檢測系統(tǒng)在乳腺腫塊的檢測中發(fā)揮著重要作用。然而，低對比度和周圍組織的干擾使得腫塊的檢測具有挑戰(zhàn)性。論文提出了一種高效的ERetinaNet網(wǎng)絡，以提高乳腺腫塊檢測的準確性和推理速度。
ERetinaNet網(wǎng)絡模型 徐勝舟 供圖
ERetinaNet引入了高效模塊，以促進綜合特征的提取，同時簡化網(wǎng)絡結構以提高推理速度。首先提出了一種更快的FRepVGG架構作為主干網(wǎng)絡，該架構利用了三種有效策略：1）在訓練過程中使用的多分支結構增強了學習能力，通過重參數(shù)化技術在推理時等效轉換為單路徑結構，從而加速檢測速度。2）提出了提取操作，以濃縮中間層的特征。3）在每個階段的最后一層添加了有效的多光譜通道注意力（eMCA）模塊，使網(wǎng)絡能夠更加關注目標區(qū)域。此外，將視覺變換器（ViT）添加到ERetinaNet中，使其能夠學習全局語義信息。檢測頭被簡化，以使ERetinaNet更加高效。
實驗結果表明，ERetinaNet的平均精度均值（mAP）從原始RetinaNet的79.16%提高到85.01%，并顯著縮短了推理時間。此外，ERetinaNet的檢測準確率優(yōu)于其他優(yōu)秀的目標檢測網(wǎng)絡。
徐勝舟老師一直從事醫(yī)學影像處理與分析及深度學習方面的研究工作，已主持完成國家自然科學基金項目和湖北省自然科學基金項目各1項，在國內(nèi)外學術刊物上發(fā)表相關論文50余篇。
