发布时间：2025-03-25 16:52
2024年12月，ICASSP 2025会议发出了审稿结果通知，计算机学院袁鑫攀教授研究团队匡俊桦和金思铭同学的两篇论文被会议接收。ICASSP（International Conference on Acoustics, Speech and Signal Processing）即国际声学、语音与信号处理会议，是全世界最大的，也是最全面的信号处理及其应用方面的顶级会议。在中国计算机学会推荐会议列表中被列为B类。本次会议将于2025年4月6日-11日在印度海得拉巴举行。论文信息如下：题目：A Novel Single Continuous Shot Multiple Lesions Endoscopy Report Generation作者：Xinpan Yuan*; Junhua Kuang; Liujie Hua; Guihu Zhao; Changhong Zhang; Jiabao Li简介：多场景多病变内窥镜图像报告生成旨在通过自动化技术高效生成高质量的医疗诊断报告，从而缓解医生临床工作负荷。然而，现有的自动报告生成方法通常面临多场景和多病变图像之间缺乏一致性和特征对齐的问题。为了解决这个问题，本文提出了一种新颖的一镜到底的多病变内窥镜报告生成框架（MSMLRG），用于处理多场景一镜到底的内窥镜图像数据。具体来说，框架MSMLRG有两个显著优点：设计了一个多场景报告特征对齐模块，利用时间特征实现了不同场景图像与报告之间的精细对齐，增强了特征的一致性；引入了主题感知模块，以捕捉不同场景中的潜在主题信息，从而提高报告生成的准确性。在内窥镜图像数据集上进行的大量实验验证了所提出方法的有效性，与该领域最先进的方法相比，MSMLRG取得了优越的性能，尤其是在多病变内窥镜场景中。 MSMLRG：论文中提出的模型架构题目：OF-AR Relation Aware Representation Learning for Lesion Image Segmentation and Grading作者：Xinpan Yuan*; Siming Jin; Liujie Hua; Guihu Zhao; Changhong Zhang; Yuan Guo简介：针对现有医学图像分割模型在病变区域分割和分级中因拍摄距离和角度变化导致的特征表征偏差问题，本文提出了一种新颖的关系感知表示学习方法——此消彼长依存关系（as one falls, another rise，OF-AR）。现有方法难以适应影像采集视角的多样性，导致特征提取错误。具体而言，该方法的创新性体现在两方面：引入了黑白双区表示方法，利用病变区域与非病变区域之间的相对关系，增强了特征提取的准确性；设计了OF-AR对比学习模块，通过对比学习增强了类内紧凑性和类间可分性，从而提高了分级的准确性。基于大量的实验结果表明，与传统分级方法相比，论文提出的方法在医学图像分割和分级的准确性上取得了显著提升。 OF-AR：论文中提出的模型架构
2024年12月，ICASSP 2025会议发出了审稿结果通知，计算机学院袁鑫攀教授研究团队匡俊桦和金思铭同学的两篇论文被会议接收。ICASSP（International Conference on Acoustics, Speech and Signal Processing）即国际声学、语音与信号处理会议，是全世界最大的，也是最全面的信号处理及其应用方面的顶级会议。在中国计算机学会推荐会议列表中被列为B类。本次会议将于2025年4月6日-11日在印度海得拉巴举行。论文信息如下：
题目：A Novel Single Continuous Shot Multiple Lesions Endoscopy Report Generation
作者：Xinpan Yuan*; Junhua Kuang; Liujie Hua; Guihu Zhao; Changhong Zhang; Jiabao Li
简介：多场景多病变内窥镜图像报告生成旨在通过自动化技术高效生成高质量的医疗诊断报告，从而缓解医生临床工作负荷。然而，现有的自动报告生成方法通常面临多场景和多病变图像之间缺乏一致性和特征对齐的问题。为了解决这个问题，本文提出了一种新颖的一镜到底的多病变内窥镜报告生成框架（MSMLRG），用于处理多场景一镜到底的内窥镜图像数据。具体来说，框架MSMLRG有两个显著优点：设计了一个多场景报告特征对齐模块，利用时间特征实现了不同场景图像与报告之间的精细对齐，增强了特征的一致性；引入了主题感知模块，以捕捉不同场景中的潜在主题信息，从而提高报告生成的准确性。在内窥镜图像数据集上进行的大量实验验证了所提出方法的有效性，与该领域最先进的方法相比，MSMLRG取得了优越的性能，尤其是在多病变内窥镜场景中。
MSMLRG：论文中提出的模型架构
题目：OF-AR Relation Aware Representation Learning for Lesion Image Segmentation and Grading
作者：Xinpan Yuan*; Siming Jin; Liujie Hua; Guihu Zhao; Changhong Zhang; Yuan Guo
简介：针对现有医学图像分割模型在病变区域分割和分级中因拍摄距离和角度变化导致的特征表征偏差问题，本文提出了一种新颖的关系感知表示学习方法——此消彼长依存关系（as one falls, another rise，OF-AR）。现有方法难以适应影像采集视角的多样性，导致特征提取错误。具体而言，该方法的创新性体现在两方面：引入了黑白双区表示方法，利用病变区域与非病变区域之间的相对关系，增强了特征提取的准确性；设计了OF-AR对比学习模块，通过对比学习增强了类内紧凑性和类间可分性，从而提高了分级的准确性。基于大量的实验结果表明，与传统分级方法相比，论文提出的方法在医学图像分割和分级的准确性上取得了显著提升。
OF-AR：论文中提出的模型架构
