基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络

doi:10.11772/j.issn.1001-9081.2024070977

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (7): 2378-2386.DOI: 10.11772/j.issn.1001-9081.2024070977

• 多媒体计算与计算机仿真 • 上一篇

基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络

陶永鹏, 柏诗淇(), 周正文

大连外国语大学软件学院，辽宁大连 116044

收稿日期:2024-07-09 修回日期:2024-11-19 接受日期:2024-11-19 发布日期:2025-07-10 出版日期:2025-07-10
通讯作者: 柏诗淇
作者简介:陶永鹏（1981—），男，辽宁大连人，副教授，硕士，CCF会员，主要研究方向：医学图像处理、医疗大数据处理
柏诗淇（2002—），女，辽宁沈阳人，硕士研究生，主要研究方向：机器学习 dufl2021@163.com
周正文（1998—），女，重庆人，硕士研究生，主要研究方向：机器学习。
基金资助:
辽宁省教育厅科学研究经费资助项目（面上项目）(LJKZ1033)

Neural architecture search for multi-tissue segmentation using convolutional and transformer-based networks in glioma segmentation

Yongpeng TAO, Shiqi BAI(), Zhengwen ZHOU

School of Software，Dalian University of Foreign Languages，Dalian Liaoning 116044，China

Received:2024-07-09 Revised:2024-11-19 Accepted:2024-11-19 Online:2025-07-10 Published:2025-07-10
Contact: Shiqi BAI
About author:TAO Yongpeng， born in 1981， M. S.， associate professor. His research interests include medical image processing， medical big data processing.
BAI Shiqi， born in 2002， M. S. candidate. Her research interests include machine learning.
ZHOU Zhengwen， born in 1998， M. S. candidate. Her research interests include machine learning.
Supported by:
Scientific Research Fund of Liaoning Provincial Department of Education （General Project）(LJKZ1033)

摘要/Abstract

摘要：

脑胶质瘤在磁共振成像（MRI）图像中的形状大小变化大、边界模糊且组织结构复杂，这些特点导致了脑肿瘤分割任务的挑战性，通常这种任务需要具备深厚专业知识的研究人员设计复杂定制的网络模型才能完成。这一过程不仅耗时，而且需要大量的人力资源。为了简化网络设计流程并自动获取最优的网络结构，提出一种基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络（NASCT-Net），以在构建用于多模态MRI脑肿瘤分割的网络架构的过程中，提高分割的精确度。首先，将神经架构搜索（NAS）技术应用于编码器的构建，形成可堆叠的NAS编解码模块，以自动优化适用于脑胶质瘤精准分割的网络架构；其次，在编码器底层集成基于Transformer的特征编码模块，以增强对肿瘤各组之间的相对位置和全局信息的表征能力；最后，通过构建体积加权Dice损失函数（VWDiceLoss），解决前景与背景的不平衡问题。在BraTS2019脑肿瘤数据集上与Swin-Unet等方法进行比较的实验结果表明，NASCT-Net的平均Dice相似系数（DSC）提高了0.009，同时平均Hausdorff距离（HD）降低了1.831 mm，验证了NASCT-Net在提高脑肿瘤多组织分割精度方面的有效性。

关键词: 网络架构, 神经网络架构搜索, 脑肿瘤分割, 卷积神经网络, Transformer

Abstract:

The significant variations in shape and size， blurred boundaries， and complex tissue structures of glioma in Magnetic Resonance Imaging （MRI） Images， lead to challenges in task for brain tumor segmentation. Typically， this task requires researchers with deep professional knowledge to design complex personalized network models， which is time-consuming and needs many human resources. To simplify the network design process and obtain the optimal network architecture automatically， a Neural Architecture Search for multi-tissue segmentation using Convolutional and Transformer-based Networks in glioma segmentation （NASCT-Net） was proposed to improve segmentation precision during construction of network architecture for multi-modal MRI brain tumor segmentation. Firstly， Neural Architecture Search （NAS） technology was applied to construction of an encoder， thereby forming stackable Neural Architecture Search ENcoder CNN （NAS-CNN） encoding modules to optimize the network structure for precise glioma segmentation automatically. Secondly， a feature encoding module based on Transformer was integrated at the lower layers of the encoder to improve the representation ability of relative positions and global information among tumor components. Finally， a Volume-Weighted Dice Loss function （VWDiceLoss） was constructed to address the imbalance between foreground and background. NASCT-Net was compared with methods such as Swin-Unet on BraTS2019 brain tumor datasets. Experimental results show that NASCT-Net has an average Dice Similarity Coefficient （DSC） improvement of 0.009 and an average Hausdorff Distance （HD） decrease of 1.831 mm， validating the effectiveness of NASCT-Net in enhancing the precision of multi-tissue brain tumor segmentation.

Key words: network architecture, Network Architecture Search (NAS), brain tumor segmentation, Convolutional Neural Network (CNN), Transformer

中图分类号:

TP391.4

陶永鹏, 柏诗淇, 周正文. 基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络[J]. 计算机应用, 2025, 45(7): 2378-2386.

Yongpeng TAO, Shiqi BAI, Zhengwen ZHOU. Neural architecture search for multi-tissue segmentation using convolutional and transformer-based networks in glioma segmentation[J]. Journal of Computer Applications, 2025, 45(7): 2378-2386.

图/表 15

图1 NASCT-Net模型架构

Fig. 1 Architecture of NASCT-Net model

图2 NASCT-Net网络结构

Fig. 2 Network structure of NASCT-Net

表1 NASCT-Net各个模块输入输出的维度

Tab. 1 Input and output dimensions of each module in NASCT-Net

网络结构	模块名称	输入特征尺寸	包含操作	输出特征尺寸
输入	输入层	$240 × 240 × 4$	Resize操作，Concat操作	$256 × 256 × 4$
输入	卷积层	$256 × 256 × 4$	$1 × 1$ 卷积操作	$256 × 256 × 16$
编码器	NAS-ENC模块 $× 3$	$256 × 256 × 16$	$下采样操作 N o r m a l 操作上采样操作 + 向下 R e s i z e 操作 × 3$	$32 × 32 × 256$
编码器	Transformer模块	$32 × 32 × 256$	$P . E . 操作 T r a n s f o r m e r × 3 F e a t u r e M a p p i n g + R e s i z e 操作$	$32 × 32 × 256$
解码器	跳跃连接层	$32 × 32 × 256$	Concat操作	$32 × 32 × 512$
解码器	NAS-DEC模块 $× 3$	$32 × 32 × 512$	$下采样操作 N o r m a l 操作上采样操作 + 向下 R e s i z e 操作 + C o n c a t × 3$	$256 × 256 × 16$
输出	输出层	$256 × 256 × 16$	$1 × 1$ 卷积操作+Resize操作	$256 × 256 × 3$

表1 NASCT-Net各个模块输入输出的维度

Tab. 1 Input and output dimensions of each module in NASCT-Net

网络结构	模块名称	输入特征尺寸	包含操作	输出特征尺寸
输入	输入层	$240 × 240 × 4$	Resize操作，Concat操作	$256 × 256 × 4$
输入	卷积层	$256 × 256 × 4$	$1 × 1$ 卷积操作	$256 × 256 × 16$
编码器	NAS-ENC模块 $× 3$	$256 × 256 × 16$	$下采样操作 N o r m a l 操作上采样操作 + 向下 R e s i z e 操作 × 3$	$32 × 32 × 256$
编码器	Transformer模块	$32 × 32 × 256$	$P . E . 操作 T r a n s f o r m e r × 3 F e a t u r e M a p p i n g + R e s i z e 操作$	$32 × 32 × 256$
解码器	跳跃连接层	$32 × 32 × 256$	Concat操作	$32 × 32 × 512$
解码器	NAS-DEC模块 $× 3$	$32 × 32 × 512$	$下采样操作 N o r m a l 操作上采样操作 + 向下 R e s i z e 操作 + C o n c a t × 3$	$256 × 256 × 16$
输出	输出层	$256 × 256 × 16$	$1 × 1$ 卷积操作+Resize操作	$256 × 256 × 3$

图3 NAS-CNN模块结构示例

Fig. 3 Example structure of NAS-CNN module

图4 NAS-CNN模块的更新策略

Fig. 4 Update strategy for NAS-CNN modules

图5 BraTS2019数据集上6种不同方法HGG可视化分割结果

Fig. 5 Visual segmentation results of HGG using six different methods on BraTS2019 dataset

表2 在BraTS2019数据集上NASCT-Net与其他方法的HGG分割定量评估结果

Tab. 2 Quantitative evaluation results of HGG segmentation of NASCT-Net and other methods on BraTS2019 dataset

方法	TC		ET		WT
方法	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓
3D U-Net^［41］	0.741	24.151	0.722	26.414	0.760	19.165
NAS-Unet^［36］	0.754	22.237	0.740	23.986	0.808	14.327
Attention U-Net^［25］	0.760	21.813	0.743	24.181	0.812	15.232
Swin-Unet^［31］	0.784	16.282	0.772	18.452	0.828	12.787
GCN^［27］	0.781	17.145	0.752	20.883	0.831	12.150
NASCT-Net	0.792	15.486	0.786	17.325	0.839	10.502

图6 BraTS2019数据集上6种不同方法的脑肿瘤平均分割结果

Fig. 6 Average brain tumor segmentation results using six different methods on BraTS2019 dataset

图7 BraTS2019数据集上6种不同方法LGG可视化分割结果

Fig. 7 Visual segmentation results of LGG using six different methods on BraTS2019 dataset

表3 在BraTS2019数据集上NASCT-Net与其他方法的LGG分割定量评估结果

Tab. 3 Quantitative evaluation results of LGG segmentation of NASCT-Net and other methods on BraTS2019 dataset

方法	TC		ET		WT
方法	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓
3D U-Net^［41］	0.693	28.732	0.726	23.975	0.753	20.215
NAS-Unet^［36］	0.716	26.157	0.747	24.062	0.814	16.023
Attention U-Net^［25］	0.722	25.311	0.752	22.757	0.806	16.490
Swin-Unet^［31］	0.746	19.175	0.787	16.674	0.818	15.462
GCN^［27］	0.783	21.151	0.762	20.356	0.820	14.837
NASCT-Net	0.759	18.656	0.782	17.032	0.825	14.085

图8 BraTS2021数据集上不同方法的可视化分割结果

Fig. 8 Visual segmentation results of different methods on BraTS2021 dataset

表4 BraTS2021数据集上的脑肿瘤分割定量评估结果

Tab. 4 Quantitative evaluation results of brain tumor segmentation on BraTS2021 dataset

方法	TC		ET		WT
方法	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓	Dice↑	HD95/mm↓
3D U-Net^［41］	0.710	26.432	0.731	25.015	0.762	19.215
NAS-Unet^［36］	0.724	25.757	0.751	23.267	0.812	15.023
Attention U-Net^［25］	0.731	23.014	0.763	21.032	0.818	15.615
Swin-Unet^［31］	0.752	19.730	0.797	18.979	0.824	14.962
GCN^［27］	0.748	22.878	0.782	20.137	0.827	14.533
NASCT-Net	0.765	19.056	0.812	18.017	0.836	13.757

图9 训练和测试工程中Loss和Dice相似系数变化

Fig. 9 Changes in Loss and Dice similarity coefficient during training and testing

表5 消融实验的定量评估结果

Tab. 5 Quantitative evaluation results of ablation experiments

模型	CNN-Transformer结构	NAS	VWDice损失函数	Dice	HD95/mm	参数量/10⁶
Baseline	—	—	—	0.724	25.917	13.502
模型1	√	—	—	0.760	20.181	16.343
模型2	—	√	—	0.756	21.042	7.140
模型3	—	—	√	0.783	14.899	13.502
模型4	√	√	—	0.794	14.026	15.065
模型5	√	—	√	0.820	12.431	16.343
模型6	—	√	√	0.812	13.745	13.502
NASCT-Net	√	√	√	0.832	12.293	15.506

图10 本文方法获得的NAS-CNN模块结构

Fig. 10 NAS-CNN module structures obtained by proposed method

参考文献 41

[1]	SUH J H， KOTECHAR， CHAO S T， et al. Current approaches to the management of brain metastases ［J］. Nature Reviews Clinical Oncology， 2020， 17（5）： 279-299.
[2]	KARSCHNIA P， LE RHUN E， VOGELBAUM M A， et al. The evolving role of neurosurgery for central nervous system metastases in the era of personalized cancer therapy ［J］. European Journal of Cancer， 2021， 156（7）： 93-108.
[3]	FECCI P E， CHAMPION C D， HOJ J， et al. The evolving modern management of brain metastasis ［J］. Clinical Cancer Research， 2019， 25（22）： 6570-6580.
[4]	AOYAMA H， SHIRATO H， TAGO M， et al. Stereotactic radiosurgery plus whole-brain radiation therapy vs stereotactic radiosurgery alone for treatment of brain metastases： a randomized controlled trial ［J］. JAMA， 2006， 295（21）： 2483-2491.
[5]	MÜLLER-RIEMENSCHNEIDER F， BOCKELBRINK A， ERNST I， et al. Stereotactic radiosurgery for the treatment of brain metastases ［J］. Radiotherapy and Oncology， 2009， 91（1）： 67-74.
[6]	TSAO M N， RADES D， WIRTH A， et al. Radiotherapeutic and surgical management for newly diagnosed brain metastasis （es）： an American Society for Radiation Oncology evidence-based guideline ［J］. Practical Radiation Oncology， 2012， 2（3）： 210-225.
[7]	CHAO S T， DE SALLES A， HAYASHI M， et al. Stereotactic radiosurgery in the management of limited （1-4） brain metastases： systematic review and international stereotactic radiosurgery society practice guideline ［J］. Neurosurgery， 2018， 83（3）： 345-353.
[8]	SAHGAL A， AOYAMA H， KOCHER M， et al. Phase 3 trials of stereotactic radiosurgery with or without whole-brain radiation therapy for 1 to 4 brain metastases： individual patient data meta-analysis ［J］. International Journal of Radiation Oncology， Biology， Physics， 2015， 91（4）： 710-717.
[9]	DOLECEK T A， PROPP J M， STROUP N E， et al. CBTRUS statistical report： primary brain and central nervous system tumors diagnosed in the United States in 2005-2009 ［J］. Neuro-Oncology， 2012， 14（S5）： v1-v49.
[10]	田捷，杨鑫，秦承虎，等.光学分子影像技术及其应用［M］.北京：科学出版社，2010： 70-106.
	TIAN J， YANG X， QIN C H， et al. Optical molecular imaging technology and its application ［M］. Beijing： Science Press， 2010： 70-106.
[11]	McGIRT M J， WOODWORTH G F， COON A L， et al. Independent predictors of morbidity after image-guided stereotactic brain biopsy： a risk assessment of 270 cases ［J］. Journal of Neurosurgery， 2005， 102（5）： 897-901.
[12]	GRIVALSKY S， TAMAJKA M， BENESOVA W. Segmentation of gliomas in magnetic resonance images using recurrent neural networks ［C］// Proceedings of the 42nd International Conference on Telecommunications and Signal Processing. Piscataway： IEEE， 2019： 539-542.
[13]	GHASSEMI N， SHOEIBI A， ROUHANI M. Deep neural network with generative adversarial networkspre-training for brain tumor classification based on MR images ［J］. Biomedical Signal Processing and Control， 2020， 57： No.101678.
[14]	BALAMURUGAN T， GNANAMANOHARAN E. Brain tumor segmentation and classification using hybrid deep CNN with LuNetClassifier ［J］. Neural Computing and Applications， 2023， 35（6）： 4739-4753.
[15]	FARAJZADEH N， SADEGHZADEH N， HASHEMZADEH M. Brain tumor segmentation and classification on MRI via deep hybrid representation learning ［J］. Expert Systems with Applications， 2023， 224： No.119963.
[16]	ANDREWS D W， SCOTT C B， SPERDUTO P W， et al. Whole brain radiation therapy with or without stereotactic radiosurgery boost for patients with one to three brain metastases： phase III results of the RTOG 9508 randomised trial ［J］. The Lancet， 2004， 363（9422）： 1665-1672.
[17]	ZHANG Z， YANG J， HO A， et al. A predictive model for distinguishing radiation necrosis from tumor progression after Gamma knife radiosurgery based on radiomic features from MR images ［J］. European Radiology， 2018， 28（6）： 2255-2263.
[18]	KEATS L， SITZER D， BALICE G. The relationship between social cognition， neurocognition， and symptomatology on social skill capacity among inpatients with schizophrenia-spectrum disorders ［J］. Archives of Clinical Neuropsychology， 2015， 30（6）： 501-502.
[19]	LAMBIN P， RIOS-VELAZQUEZ E， LEIJENAAR R， et al. Radiomics： extracting more information from medical images using advanced feature analysis ［J］. European Journal of Cancer， 2012， 48（4）： 441-446.
[20]	VAN VELDEN F H P， KRAMER G M， FRINGS V， et al. Repeatability of radiomic features in non-small-cell lung cancer ［（18）F］FDG-PET/CT studies： impact of reconstruction and delineation ［J］. Molecular Imaging and Biology， 2016， 18（5）： 788-795.
[21]	GALIMZIANOVA A， PERNUŠ F， LIKAR B， et al. Stratified mixture modeling for segmentation of white-matter lesions in brain MR images ［J］. NeuroImage， 2015， 124（Pt A）： 1031-1043.
[22]	WEISS N， RUECKERT D， RAO A. Multiple sclerosis lesion segmentation using dictionary learning and sparse coding ［C］// Proceedings of the 2013 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 8149. Berlin： Springer， 2013： 735-742.
[23]	KARIMAGHALOO Z， RIVAZ H， ARNOLD D L， et al. Adaptive voxel， texture and temporal conditional random fields for detection of gad-enhancing multiple sclerosis lesions in brain MRI ［C］// Proceedings of the 2013 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 8151. Berlin： Springer， 2013： 543-550.
[24]	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.
[25]	OKTAY O， SCHLEMPER J， LE FOLGOCL L， et al. Attention U-Net： learning where to look for the pancreas ［EB/OL］. ［2024-04-20］. .
[26]	朱婷，王瑜，肖洪兵，等.基于多通路CNN的多模态MRI神经胶质瘤分割［J］.计算机应用与软件，2018， 35（4）： 220-226.
	ZHU T， WANG Y， XIAO H B， et al. Multi-modality MRI gliomas segmentation based on multi-channel CNN ［J］. Computer Applications and Software， 2018， 35（4）： 220-226.
[27]	李歆，王雪真，洪金省，等.基于图卷积网络的脑胶质瘤核磁共振图像分割［J］.计算机系统应用，2024， 33（8）： 231-239.
	LI X， WANG X Z， HONG J S， et al. Magnetic resonance image segmentation of gliomas based on graph convolution network ［J］. Computer Systems and Applications， 2024， 33（8）： 231-239.
[28]	CHEN J， LU Y， YU Q， et al. TransUnet： Transformers make strong encoders for medical image segmentation ［EB/OL］. ［2024-02-08］. .
[29]	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale ［EB/OL］. ［2024-06-03］. .
[30]	LIN J， LIN J， LU C， et al. CKD-TransBTS： clinical knowledge-driven hybrid transformer with modality-correlated cross-attention for brain tumor segmentation ［J］. IEEE Transactions on Medical Imaging， 2023， 42（8）： 2451-2461.
[31]	CAO H， WANG Y， CHEN J. Swin-Unet： Unet-like pure transformer for medical image segmentation ［C］// Proceedings of the 2022 European Conference on Computer Vision Workshops， LNCS 13803. Cham： Springer， 2022： 205-218.
[32]	LIN A， CHEN B， XU J， et al. DS-TransUnet： dual Swin Transformer U-Net for medical image segmentation ［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： No.4005615.
[33]	SALEHIN I， ISLAM M S， SAHA P， et al. AutoML： a systematic review on automated machine learning with neural architecture search ［J］. Journal of Information and Intelligence， 2024， 2（1）： 52-81.
[34]	MA B， ZHANG J， XIA Y， et al. VNAS： variational neural architecture search ［J］. International Journal of Computer Vision， 2024， 132（9）： 3689-3713.
[35]	LIU Y， SUN Y， XUE B， et al. A survey on evolutionary neural architecture search ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（2）： 550-570.
[36]	WENG Y， ZHOU T， LI Y， et al. NAS-Unet： neural architecture search for medical image segmentation ［J］. IEEE Access， 2019， 7： 44247-44257.
[37]	WEI J， FAN Z. Genetic U-Net： automatically designing lightweight U-shaped CNN architectures using the genetic algorithm for retinal vessel segmentation ［EB/OL］. ［2024-11-02］. .
[38]	YAN X， JIANG W， SHI Y， et al. MS-NAS： multi-scale neural architecture search for medical image segmentation ［C］// Proceedings of the 2020 International Conference on Medical Image and Computing Computer-Assisted Intervention， LNCS 12261. Cham： Springer， 2020： 388-397.
[39]	LIU X， YAO C， CHEN H， et al. BTSC-TNAS： a neural architecture search-based transformer for brain tumor segmentation and classification ［J］. Computerized Medical Imaging and Graphics， 2023， 110： No.102307.
[40]	XU S， QUAN H. ECT-NAS： searching efficient CNN-Transformers architecture for medical image segmentation ［C］// Proceedings of the 2021 IEEE International Conference on Bioinformatics and Biomedicine. Piscataway： IEEE， 2021： 1601-1604.
[41]	ÇIÇEK Ö， ABDULKADIR A， LIENKAMP S S， et al. 3D U-Net： learning dense volumetric segmentation from sparse annotation ［C］// Proceedings of the 2016 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9901. Cham： Springer， 2016： 424-432.

基于卷积和Transformer神经网络架构搜索的脑胶质瘤多组织分割网络

Neural architecture search for multi-tissue segmentation using convolutional and transformer-based networks in glioma segmentation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 41

相关文章 15

编辑推荐

Metrics

[1]	张英俊, 闫薇薇, 谢斌红, 张睿, 陆望东. 梯度区分与特征范数驱动的开放世界目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2203-2210.
[2]	吴宗航, 张东, 李冠宇. 基于联合自监督学习的多模态融合推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1858-1868.
[3]	龙雨菲, 牟宇辰, 刘晔. 基于张量化图卷积网络和对比学习的多源数据表示学习模型[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1372-1378.
[4]	许鹏程, 何磊, 李川, 钱炜祺, 赵暾. 基于Transformer的深度符号回归方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1455-1463.
[5]	王丹, 张文豪, 彭丽娟. 基于深度学习的智能反射面辅助通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1613-1618.
[6]	陈凯, 叶海良, 曹飞龙. 基于局部-全局交互与结构Transformer的点云分类算法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1671-1676.
[7]	陈鹏宇, 聂秀山, 李南君, 李拓. 基于时空解耦和区域鲁棒性增强的半监督视频目标分割方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1379-1386.
[8]	李慧, 贾炳志, 王晨曦, 董子宇, 李纪龙, 仲兆满, 陈艳艳. 基于Swin Transformer的生成对抗网络水下图像增强模型[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1439-1446.
[9]	耿海军, 董赟, 胡治国, 池浩田, 杨静, 尹霞. 基于Attention-1DCNN-CE的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 872-882.
[10]	袁宝华, 陈佳璐, 王欢. 融合多尺度语义和双分支并行的医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 988-995.
[11]	王地欣, 王佳昊, 李敏, 陈浩, 胡光耀, 龚宇. 面向水声通信网络的异常攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 526-533.
[12]	张翰林, 王俊陆, 宋宝燕. 融合衍生特征的时间序列事件分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 428-435.
[13]	王雅伦, 张仰森, 朱思文. 面向知识推理的位置编码标题生成模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 345-353.
[14]	徐欣然, 张绍兵, 成苗, 张洋, 曾尚. 基于多路层次化混合专家模型的轴承故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 59-68.
[15]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.