MSW-Transformer: 多尺度平移窗口变换网络用于 12 导联心电图分类
提出了一种基于多模型 Transformer 的深度学习架构,通过整合临床记录,实现了对心血管疾病的多类别检测,并为实现临床和急诊环境下的实时患者状态监测奠定了基础。
Feb, 2023
本研究提出了一种名为 MTECG 的有用的掩模 Transformer 方法,将掩模自编码器应用于心电图时间序列,实验结果在心电图分类中表现显著优于最新的算法。
Aug, 2023
本文提出了一种创新的基于 Transformer 的多视图网络,用于解决乳房 X 线照片分类中的挑战。我们的方法通过引入一种新颖的基于移动窗口的动态注意力块,促进多视图信息的有效集成,并在空间特征映射级别上促进该信息在视图之间的一致传递。此外,我们使用 CBIS-DDSM 和 Vin-Dr Mammo 数据集对基于 Transformer 的模型在不同设置下的性能和有效性进行了全面的比较分析。我们的代码公开可用于此 https URL。
Feb, 2024
该研究提出了一种基于分层性 Speech Swin-Transformer 的声音情感识别方法,通过分级的窗口聚合多尺度情感特征,将 Transformer 的感知范围从帧级扩展到片段级,实验结果表明该方法优于现有的技术。
Jan, 2024
提出了 MS-Twins(Multi-Scale Twins)分割模型,通过结合不同尺度和级联特征,能更好地捕捉语义和细粒度信息,解决了在医学图像分割中利用自注意力和卷积的最优化问题。在 Synapse 和 ACDC 两个常用数据集上,MS-Twins 相较于现有的网络结构有了显著的进展,在 Synapse 数据集上的性能比 SwinUNet 高出 8%,即使与最佳的完全卷积医学图像分割网络 nnUNet 相比,在 Synapse 和 ACDC 上 MS-Twins 的性能仍然稍有优势。
Dec, 2023
本文提出了一种新的视觉 Transformer,称为 Swin Transformer,它在计算机视觉领域中作为通用骨干具有很强的能力,包括图像分类和目标检测。Swim Transformer 的层次设计和移位窗口方法对于所有多层感知器架构也证明是有益的,并且模型和代码是公开的。
Mar, 2021
本文介绍了一种基于卷积层和变压器机制的深度神经网络,用于通过心电信号检测压力,实验结果表明该模型在两个公共数据集 WESAD 和 SWELL-KW 上达到了与 ECG 压力检测领域现有技术水平相当甚至更好的结果。此外,该方法是端到端的,不需要手工制作特征,并且只需使用少量的卷积块和变压器组件即可学习稳健的表示形式。
Aug, 2021
采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建,在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后,得出了良好的重建效果。
Jan, 2022
本论文提出了一种多分辨率相互学习网络(MRM-Net),通过双重分辨率注意力架构和特征互补机制处理心电图(ECG)信号,以提高多标签 ECG 分类性能。
Jun, 2024
本文阐述了 Transformer 结构在心电图分类任务中的应用,总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向,为研究人员和从业者提供了宝贵的资源,旨在为心电图识别中的创新应用提供建议。
Jun, 2023