主讲人：李继云

主讲人简介：

计算机科学与技术，教授。中国计算机学会分布式与并行计算专委会委员，中国人工智能与人工心理委员会委员，中国图形图像学会会员。主持完成上海市科技攻关项目《基于人工智能的医学影像报告文本结构化及影像关联》等智慧医疗相关省部级项目四项，企业委托项目《在线智能仓储》等多项；作为主要研究人员参与国家自然科学基金项目《网络知识互联结构自主发育模型研究》等和上海市科技攻关项目多项。在Psychological Review，Expert Syst. Appl.等人工智能领域主要SCI期刊和CCF推荐会议上发表论文多篇。

ECAPA-TDNN: A Model Based on Spontaneous Speech for MCI Detection

讲座摘要：轻度认知障碍(MCI)是阿尔茨海默病(AD)的早期阶段。利用语音信号诊断 MCI 具有成本低、效率高的优点。我们提出了一种以 ECAPA-TDNN 为特征提取网络的两阶段 MCI 识别模型。为了解决从语音中提取 AD 相关特征这一具有挑战性的任务，在特征提取网络中引入了一维压缩激励(SE)块。该模块自适应地重新加权输入特征，以强调那些对任务有重大贡献的特征，同时抑制不相关或冗余的特征。在以患者的汉语自发语音数据集上，模型对 AD 和 MCI 的识别准确率分别达到94.29% 和85.84%，具有潜在的临床应用价值。

CE-UDA：A Cross-Modal Domain Adaptation Model for Cochlea and Vestibular Schwannoma Segmentation Based on Contour Enhancement

讲座摘要：前庭神经鞘瘤(VS)的诊断和治疗中，准确地识别和分割前庭神经鞘是至关重要的。高分辨率 T2加权(hrT2)成像比常用的增强 T1(ceT1)成像更安全，更便宜，并提供更详细的软组织诊断信息。然而，获取像素级 hrT2专家注释数据成本高、耗时，限制了其数据可用性。为此，我们提出了一种无监督域自适应模型 CE-UDA，并针对 ceT1和 hrT2的不同成像特征设计了轮廓增强模块(CEM)，以进行结构边界增强并最终生成高质量的伪 hrT2图像。在 CrossMoDA2022数据集上验证的实验表明，CE-UDA 显着提高了 ceT1到 hrT2域适应任务中伪 hrT2图像的翻译质量，从而提高了下游任务的分割性能。

时间：10月29日下午13：30

地点：1号学院楼140