2024年春季学期视觉计算实验室第四次论文研读预告

时间:2024年3月22日(周五) 09: 30

地点:望江校区基础教学楼B座318实验室

分享者:阳斯敏、吴美璇

Part1

分享者:阳斯敏

分享内容:

[1] Ruan J, Xie M, Gao J, et al. Ege-unet: an efficient group enhanced unet for skin lesion segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer Nature Switzerland, 2023: 481-490.

[2] Chen X, Zheng H, Li Y, et al. Versatile Medical Image Segmentation Learned from Multi-Source Datasets via Model Self-Disambiguation[J]. arXiv preprint arXiv:2311.10696, 2023.

论文简介:

[1]  Transformer及其变体已广泛应用于医学图像分割。然而,这些模型的大量参数和计算负载使它们不适合移动应用。为了解决这个问题,本文提出了一种更有效的方法,即高效的组增强UNet (EGE-UNet)。本文以轻量级的方式将组多轴Hadamard积注意力模块(GHPA)和组聚合桥模块(GAB)结合起来。GHPA对输入特征进行分组,并在不同的轴上执行Hadamard乘积注意力机制(HPA),从不同的角度提取病变信息。GAB 通过在每个阶段对低级特征、高级特征和解码器生成的掩码进行分组来有效地融合多尺度信息。在ISIC2017 和 ISIC2018 数据集上的实验表明,EGEUNet 优于现有的最先进方法。

[2] 适用于通过不同设备和协议收集的成像数据的多功能医学图像分割模型可以促进模型部署和维护。然而,构建这样的模型通常需要一个大型、多样化且完全注释的数据集,但由于数据管理的劳动密集型和成本高昂,这种数据集很少可用。在本研究中,作者通过利用带有部分甚至稀疏注释的分割标签的现成数据来开发一种具有成本效益的方法。本文设计了模型自我消歧、先验知识合并和减轻不平衡的策略,以解决与来自不同来源的标签不一致的数据相关的挑战,包括标签模糊性以及模态、数据集和分割标签之间的不平衡。从八个不同来源编制的用于腹部器官分割的多模态数据集上的实验结果证明了本文的方法相对于其他最先进方法的有效性和优越性能,突出了其使用现有的注释数据并减少新数据的注释工作以进一步增强模型能力。

Part2

分享者:吴美璇

分享内容:

[1] Zou H, Ji B, Zhang M, et al. MHGTMDA: molecular heterogeneous graph transformer based on biological entity graph for miRNA-disease associations prediction[J]. Molecular Therapy-Nucleic Acids, 2024.

[2] Dong B, Sun W, Xu D, et al. DAEMDA: A Method with Dual-Channel Attention Encoding for miRNA–Disease Association Prediction[J]. Biomolecules, 2023, 13(10): 1514.

论文简介:

[1] MicroRNAs(MiRNAs)在复杂疾病的预防、预后、诊断和治疗中起着至关重要的作用。现有的计算方法主要集中在与miRNA或疾病直接相关的生物相关分子上,而忽略了人体是一个高度复杂的系统,其中miRNA或疾病可能与各种类型的生物分子间接相关。针对这一问题,本文提出了一种新的预测模型MHGTMDA。MHGTMDA集成了8个生物分子的生物实体关系,构建了一个相对全面的异质生物实体图。MHGTMDA作为一个强大的分子异质性图谱transformer,捕获了miRNAs和疾病的结构元素和属性,揭示了潜在的关联。在5倍交叉验证研究中,MHGTMDA的AUC达到0.9569,比最先进的方法至少高出3%。特征消融实验表明,考虑多个生物分子之间的特征在揭示miRNA与疾病的相关性方面更有效。此外,本文对乳腺癌和肺癌进行了差异表达分析,使用MHGTMDA进一步验证了差异表达的miRNAs。结果表明,MHGTMDA具有识别新的MDA的能力。

[2] 越来越多的研究表明,微小RNA(MiRNA)的异常表达与人类各种复杂疾病的发生发展密切相关。这些关键生物标志物的识别和观察对于深入了解疾病的发病机制和治疗机制具有重要意义。因此,精确定位潜在的miRNA疾病关联(MDA)已经成为一个突出的生物信息学主题。然而,这些现有的方法通常不能利用网络节点的全局特征信息,使得利用图的性质生成高质量的嵌入表示仍是一个关键的未解决的问题。为了应对这些挑战,本文引入了DAEMDA,这是一种旨在优化当前模型效率的计算方法。首先,本文依靠实验证实的miRNA与疾病的关联数据和相似的信息,构建了涉及miRNA和疾病的相似和异质网络。然后,设计了一种新的并行双通道特征编码器,旨在更好地理解异构网络中的全局信息,并生成不同的嵌入表示。最后,使用神经网络分类器对双通道嵌入表示进行合并,并进行miRNA与疾病节点之间的关联预测。基于HMDD V3.2数据库的五次交叉验证和重大疾病案例研究的实验结果表明,该方法能够生成高质量的嵌入表示,有效地提高了MDA预测的准确性。