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

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 ReviewExpert 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 MCI 的识别准确率分别达到94.29% 85.84%,具有潜在的临床应用价值。

CE-UDAA 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 ceT1hrT2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 ceT1hrT2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:1029日下午1330

地点:1号学院楼140