面向医学图像分割的多注意力融合网络

doi:10.11772/j.issn.1001-9081.2021101737

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3891-3899.DOI: 10.11772/j.issn.1001-9081.2021101737

• 多媒体计算与计算机仿真 • 上一篇下一篇

面向医学图像分割的多注意力融合网络

李鸿, 邹俊颖(), 谭茜成, 李贵洋

四川师范大学计算机科学学院，成都 610066

收稿日期:2021-10-09 修回日期:2022-01-04 接受日期:2022-01-24 发布日期:2022-04-08 出版日期:2022-12-10
通讯作者: 邹俊颖
作者简介:李鸿（1995—），男，四川眉山人，硕士研究生，主要研究方向：机器学习、医学图像分割
谭茜成（1996—），男，湖南怀化人，硕士研究生，主要研究方向：数据挖掘、迁移学习
李贵洋（1975—），男，四川宜宾人，副教授，博士，主要研究方向：大数据存储编码、机器学习。
基金资助:
国家自然科学基金资助项目(11905153)

Multi-attention fusion network for medical image segmentation

Hong LI, Junying ZOU(), Xicheng TAN, Guiyang LI

School of Computer Science，Sichuan Normal University，Chengdu Sichuan 610066，China

Received:2021-10-09 Revised:2022-01-04 Accepted:2022-01-24 Online:2022-04-08 Published:2022-12-10
Contact: Junying ZOU
About author:LI Hong， born in 1995， M. S. candidate. His research interests include machine learning， medical image segmentation.
TAN Xicheng， born in 1996， M. S. candidate. His research interests include data mining， transfer learning.
LI Guiyang， born in 1975， Ph. D.， associate professor. His research interests include big data storage encoding， machine learning.
Supported by:
National Natural Science Foundation of China(11905153)

摘要/Abstract

摘要：

在深度医学图像分割领域中，TransUNet是当前先进的分割模型之一。但其编码器未考虑相邻分块之间的局部联系，在解码器上采样过程中缺乏通道间信息的交互。针对以上问题，提出一种多注意力融合网络（MFUNet）模型。首先，在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系；其次，在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息，以增强模型对通道间关键信息的敏感度；最后，通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束。在Synapse和ACDC公共数据集上进行实验，可以看出，MFUNet的Dice相似系数（DSC）分别达到了81.06%和90.91%；在Synapse数据集上的Hausdorff距离（HD）与基线模型TransUNet相比减小了11.5%；在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点。实验结果表明，MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果，有助于提升医生在临床实践中的诊断效率。

关键词: 医学图像分割, 多器官, 自注意力, 通道注意力, 深度学习

Abstract:

In the field of deep medical image segmentation， TransUNet （merit both Transformers and U-Net） is one of the current advanced segmentation models. However， the local connection between adjacent blocks in its encoder is not considered， and the inter-channel information is not interactive during the upsampling process of the decoder. To address the above problems， a Multi-attention FUsion Network （MFUNet） model was proposed. Firstly， a Feature Fusion Module （FFM） was introduced in encoder part to enhance the local connections between adjacent blocks in the Transformer and maintain the spatial location relationships of the images themselves. Then， a Double Channel Attention （DCA） module was introduced in the decoder part to fuse the channel information of multi-level features， which enhanced the sensitivity of the model to the key information between channels. Finally， the model's constraints on the segmentation results was strengthened by combining cross-entropy loss and Dice loss. By conducting experiments on Synapse and ACDC public datasets， it can be seen that MFUNet achieves Dice Similarity Coefficient （DSC） of 81.06% and 90.91%， respectively. Compared with the baseline model TransUNet， MFUNet achieved an 11.5% reduction in Hausdorff Distance （HD） on the Synapse dataset， and improved segmentation accuracy by 1.43 and 3.48 percentage points on the ACDC dataset for both the right ventricular and myocardial components， respectively. The experimental results show that MFUNet can achieve better segmentation results in both internal filling and edge prediction of medical images， which can help improve the diagnostic efficiency of doctors in clinical practice.

Key words: medical image segmentation, multiple organs, Self-Attention (SA), channel attention, deep learning

中图分类号:

TP391.41

李鸿, 邹俊颖, 谭茜成, 李贵洋. 面向医学图像分割的多注意力融合网络[J]. 计算机应用, 2022, 42(12): 3891-3899.

Hong LI, Junying ZOU, Xicheng TAN, Guiyang LI. Multi-attention fusion network for medical image segmentation[J]. Journal of Computer Applications, 2022, 42(12): 3891-3899.

图/表 10

参考文献 42

1	郑光远，刘峡壁，韩光辉. 医学影像计算机辅助检测与诊断系统综述［J］. 软件学报， 2018， 29（5）：1471-1514. 10.13328/j.cnki.jos.005519
	ZHENG G Y， LIU X B， HAN G H. Survey on medical image computer aided detection and diagnosis systems［J］. Journal of Software， 2018， 29（5）：1471-1514. 10.13328/j.cnki.jos.005519
2	NEGASSI M， SUAREZ-IBARROLA R， HEIN S， et al. Application of artificial neural networks for automated analysis of cystoscopic images： a review of the current status and future prospects［J］. World Journal of Urology， 2020， 38（10）： 2349-2358. 10.1007/s00345-019-03059-0
3	陈屹东，张琴，兰蓝，等. 深度卷积神经网络方法在医学图像分割应用中的综述［J］. 中国卫生信息管理杂志， 2021， 18（2）：278-284. 10.3969/j.issn.1672-5166.2021.02.026
	CHEN Y D， ZHANG Q， LAN L， et al. A review of deep convolutional neural networks in medical image segmentation［J］. Chinese Journal of Health Informatics and Management， 2021， 18（2）：278-284. 10.3969/j.issn.1672-5166.2021.02.026
4	曹玉红，徐海，刘荪傲，等. 基于深度学习的医学影像分割研究综述［J］. 计算机应用， 2021， 41（8）：2273-2287. 10.11772/j.issn.1001-9081.2020101638
	CAO Y H， XU H， LIU S A， et al. A review of medical image segmentation based on deep learning［J］. Journal of Computer Applications， 2021， 41（8）： 2273-2287. 10.11772/j.issn.1001-9081.2020101638
5	LI W， JIA F C， HU Q M. Automatic segmentation of liver tumor in CT images with deep convolutional neural networks［J］. Journal of Computer and Communications， 2015， 3（11）： 146-151. 10.4236/jcc.2015.311023
6	VORONTSOV E， TANG A， PAL C， et al. Liver lesion segmentation informed by joint liver segmentation［C］// Proceedings of the IEEE 15th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2018： 1332-1335. 10.1109/isbi.2018.8363817
7	CHERUKURI V， SSENYONGA P， WARF B C， et al. Learning based segmentation of CT brain images： application to postoperative hydrocephalic scans［J］. IEEE Transactions on Biomedical Engineering， 2018， 65（8）： 1871-1884. 10.1109/tbme.2017.2783305
8	LI H Y， ZHAO X Q， SU A Y， et al. Color space transformation and multi-class weighted loss for adhesive white blood cell segmentation［J］. IEEE Access， 2020， 8： 24808-24818. 10.1109/access.2020.2970485
9	KHENED M， KOLLERATHU V A， KRISHNAMURTHI G. Fully convolutional multi-scale residual DenseNets for cardiac segmentation and automated cardiac diagnosis using ensemble of classifiers［J］. Medical Image Analysis， 2019， 51： 21-45. 10.1016/j.media.2018.10.004
10	LIU L L， CHENG J H， QUAN Q， et al. A survey on U-shaped networks in medical image segmentations［J］. Neurocomputing， 2020， 409： 244-258. 10.1016/j.neucom.2020.05.070
11	LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 3431-3440. 10.1109/cvpr.2015.7298965
12	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer，2015：234-241.
13	ZHOU Z W， SIDDIQUEE M M R， TAJBAKHSH N， et al. UNet++： a nested U-Net architecture for medical image segmentation［C］// Proceedings of the 2018 International Workshop on Deep Learning in Medical Image Analysis/ 2018 International Workshop on Multimodal Learning for Clinical Decision Support， LNCS 11045. Cham： Springer， 2018： 3-11.
14	JÉGOU S， DROZDZAL M， VAZQUEZ D， et al. The one hundred layers tiramisu： fully convolutional DenseNets for semantic segmentation［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017： 1175-1183. 10.1109/cvprw.2017.156
15	HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269. 10.1109/cvpr.2017.243
16	OKTAY O， SCHLEMPER J， FOLGOC L L， et al. Attention U-Net： learning where to look for the pancreas［EB/OL］. （2018-05-20）［2021-07-08］..
17	CAI Y T， WANG Y. MA-Unet： an improved version of Unet based on multi-scale and attention mechanism for medical image segmentation［EB/OL］. （2020-12-20）［2021-07-08］.. 10.1117/12.2628519
18	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017：6000-6010.
19	ZHENG S X， LU J C， ZHAO H S， et al. Rethinking semantic segmentation from a sequence-to-sequence perspective with transformers［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 6877-6886. 10.1109/cvpr46437.2021.00681
20	PETIT O， THOME N， RAMBOUR C， et al. U-Net transformer： self and cross attention for medical image segmentation［C］// Proceedings of the 2021 International Workshop on Machine Learning in Medical Imaging， LNCS 12966. Cham： Springer， 2021： 267-276.
21	ZHANG Y D， LIU H Y， HU Q. TransFuse： fusing transformers and CNNs for medical image segmentation ［C］// Proceedings of the 2021 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 12901. Cham： Springer， 2021： 14-24.
22	VALANARASU J M J， OZA P， HACIHALILOGLU I， et al. Medical transformer： gated axial-attention for medical image segmentation［C］// Proceedings of the 2021 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 12901. Cham： Springer， 2021： 36-46.
23	ZHANG Z Z， SUN B Z， ZHANG W X. Pyramid medical transformer for medical image segmentation［EB/OL］. （2021-09-13）［2021-09-28］..
24	JI G P， CHOU Y C， FAN D P， et al. Progressively normalized self-attention network for video polyp segmentation［C］// Proceedings of the 2021 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 12901. Cham： Springer， 2021： 142-152.
25	CHU X X， TIAN Z， ZHANG B， et al. Conditional positional encodings for vision transformers［EB/OL］. （2021-03-18）［2021-07-08］..
26	CHEN J N， LU Y Y， YU Q H， et al. TransUNet： transformers make strong encoders for medical image segmentation［EB/OL］. （2021-02-08）［2021-07-08］..
27	ZHANG X Y， ZHOU X Y， LIN M X， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 6848-6856. 10.1109/cvpr.2018.00716
28	LI Y W， ZHANG K， CAO J Z， et al. LocalViT： bringing locality to vision transformers［EB/OL］. （2021-04-12）［2021-07-08］..
29	WU H P， XIAO B， CODELLA N， et al. CvT： introducing convolutions to vision Transformers［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 22-31. 10.1109/iccv48922.2021.00009
30	LIU Z， LIN Y T， CAO Y， et al. Swin transformer： hierarchical vision transformer using shifted windows［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002. 10.1109/iccv48922.2021.00986
31	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
32	ROY A G， NAVAB N， WACHINGER C. Concurrent spatial and channel ‘squeeze & excitation’ in fully convolutional networks［C］// Proceedings of the 2018 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 11070. Cham： Springer， 2018： 421-429.
33	WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 3-19.
34	HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13708-13717. 10.1109/cvpr46437.2021.01350
35	HAN K， WANG Y， CHEN H， et al. A survey on visual transformer ［EB/OL］. （2020-12-20）［2021-07-08］. .
36	ZHU X Z， SU W J， LU L W， et al. Deformable DETR： deformable transformers for end-to-end object detection［EB/OL］. （2021-03-18）［2021-07-08］.. 10.1609/aaai.v36i1.19893
37	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： transformers for image recognition at scale［EB/OL］. （2021-06-03）［2021-07-08］..
38	WANG H Y， ZHU Y K， ADAM H， et al. MaX-DeepLab： end-to-end panoptic segmentation with mask transformers［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 5459-5470. 10.1109/cvpr46437.2021.00542
39	LIU N F， GARDNER M， BELINKOV Y， et al. Linguistic knowledge and transferability of contextual representations［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg， PA： Association for Computational Linguistics， 2019： 1073-1094. 10.18653/v1/n18-2
40	ASGARI TAGHANAKI S， ABHISHEK K， COHEN J P， et al. Deep semantic segmentation of natural and medical images： a review［J］. Artificial Intelligence Review， 2021， 54（1）： 137-178. 10.1007/s10462-020-09854-1
41	WANG R S， LEI T， CUI R X， et al. Medical image segmentation using deep learning： a survey［J］. IET Image Processing， 2022， 16（5）： 1243-1267. 10.1049/ipr2.12419
42	MILLETARI F， NAVAB N， AHMADI S A. V-Net： fully convolutional neural networks for volumetric medical image segmentation［C］// Proceedings of the 2016 4th International Conference on 3D Vision. Piscataway： IEEE， 2016： 565-571. 10.1109/3dv.2016.79

模型	DSC↑	HD↓	器官分割精度
模型	DSC↑	HD↓	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
V-Net^［42］	68.81	—	75.34	51.87	77.10	80.75	87.84	40.05	80.56	56.98
DARR^［26］	69.77	—	74.74	53.77	72.31	73.24	94.08	54.18	89.90	45.96
R50 UNet^［26］	74.68	36.87	84.18	62.84	80.60	79.19	93.74	56.90	85.87	74.16
UNet^［12］	76.60	35.02	87.80	67.25	80.47	73.31	93.36	53.78	84.87	71.93
R50 Att-UNet^［26］	75.57	36.97	85.92	63.91	79.20	72.71	93.56	49.37	87.19	74.95
Att-UNet^［16］	77.75	32.59	88.05	67.73	82.23	75.59	93.38	55.69	85.56	73.81
R50 Vit^［26］	71.29	32.87	73.73	55.13	75.80	72.20	91.51	45.99	81.99	73.95
TransUNet^［26］	77.48	31.69	87.23	63.13	81.87	77.02	94.08	55.86	85.08	75.62
MFUNetf_ffm	79.45	29.35	87.61	63.58	83.23	80.65	94.41	61.36	87.86	76.89
MFUNet_dca	78.05	29.75	87.37	63.59	81.83	78.35	93.43	56.77	85.98	77.10
MFUNet	81.06	28.05	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60

模型	DSC↑	HD↓	器官分割精度
模型	DSC↑	HD↓	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
V-Net^［42］	68.81	—	75.34	51.87	77.10	80.75	87.84	40.05	80.56	56.98
DARR^［26］	69.77	—	74.74	53.77	72.31	73.24	94.08	54.18	89.90	45.96
R50 UNet^［26］	74.68	36.87	84.18	62.84	80.60	79.19	93.74	56.90	85.87	74.16
UNet^［12］	76.60	35.02	87.80	67.25	80.47	73.31	93.36	53.78	84.87	71.93
R50 Att-UNet^［26］	75.57	36.97	85.92	63.91	79.20	72.71	93.56	49.37	87.19	74.95
Att-UNet^［16］	77.75	32.59	88.05	67.73	82.23	75.59	93.38	55.69	85.56	73.81
R50 Vit^［26］	71.29	32.87	73.73	55.13	75.80	72.20	91.51	45.99	81.99	73.95
TransUNet^［26］	77.48	31.69	87.23	63.13	81.87	77.02	94.08	55.86	85.08	75.62
MFUNetf_ffm	79.45	29.35	87.61	63.58	83.23	80.65	94.41	61.36	87.86	76.89
MFUNet_dca	78.05	29.75	87.37	63.59	81.83	78.35	93.43	56.77	85.98	77.10
MFUNet	81.06	28.05	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60

模型	DSC	器官分割精度
模型	DSC	右心室	心肌	左心室
R50 U-Net	87.55	87.10	80.63	94.92
R50 Att-UNet	86.75	87.58	79.20	93.47
R50 ViT	87.57	86.07	81.88	94.75
TransUNet	89.71	88.86	84.53	95.73
MFUNet	90.91	90.29	88.01	94.42

模型	DSC	器官分割精度
模型	DSC	右心室	心肌	左心室
R50 U-Net	87.55	87.10	80.63	94.92
R50 Att-UNet	86.75	87.58	79.20	93.47
R50 ViT	87.57	86.07	81.88	94.75
TransUNet	89.71	88.86	84.53	95.73
MFUNet	90.91	90.29	88.01	94.42

模型	跳跃连接	DSC	器官分割精度
模型	跳跃连接	DSC	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
TransUNet	1	76.18	83.31	60.57	79.94	77.39	92.80	53.46	85.59	76.34
	2	76.74	86.72	60.79	81.07	76.08	93.78	55.94	84.76	75.55
	3	77.48	87.23	63.13	81.87	77.02	94.08	55.86	85.08	75.62
MFUNet	1	77.67	84.54	62.63	80.41	77.42	94.23	59.49	86.78	80.15
	2	80.05	88.00	63.90	83.02	81.66	94.55	62.67	87.08	79.52
	3	81.06	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60

面向医学图像分割的多注意力融合网络

Multi-attention fusion network for medical image segmentation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 42

相关文章 15

编辑推荐

Metrics

模型	模型规模	DSC	器官分割精度
模型	模型规模	DSC	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
TransUNet	base	77.48	87.23	63.13	81.87	77.02	94.08	55.86	85.08	75.62
TransUNet	large	78.52	87.42	63.92	82.17	80.19	94.47	57.64	87.42	74.90
MFUNet	base	81.06	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60
MFUNet	large	81.46	88.21	66.67	85.00	81.84	94.68	64.87	90.08	81.46

模型	输入分辨率	DSC	器官分割精度
模型	输入分辨率	DSC	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
TransUNet	224×224	77.48	87.23	63.13	81.87	77.02	94.08	55.86	85.08	75.62
TransUNet	384×384	80.51	88.67	67.62	82.80	76.25	94.87	65.57	87.57	80.69
MFUNet	224×224	81.06	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60
MFUNet	384×384	81.73	89.91	65.80	81.98	78.99	95.43	68.15	91.10	82.48

卷积分组数	DSC	器官分割精度
卷积分组数	DSC	主动脉	胆囊	肾脏（L）	肾脏（R）	肝脏	胰腺	脾	胃
1	80.75	87.80	64.18	84.13	79.41	94.69	64.78	90.30	80.72
48	80.53	88.00	62.64	84.12	80.53	94.75	63.22	89.92	80.70
768	81.06	88.40	65.13	84.63	81.88	94.71	63.95	89.22	80.60

[1]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[2]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[3]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[4]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[5]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[6]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[7]	陈彤, 杨丰玉, 熊宇, 严荭, 邱福星. 基于多尺度频率通道注意力融合的声纹库构建方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2407-2413.
[8]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[9]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[10]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[11]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[12]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[13]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[14]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[15]	唐媛, 陈艳平, 扈应, 黄瑞章, 秦永彬. 基于多尺度混合注意力卷积神经网络的关系抽取模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2011-2017.