研究室论文《DSFNet: Dual-source and spatiotemporal-feature fusion network for bedside diagnosis of lung injuries with electrical impedance tomography》被《Medical Image Analysis》录用。
电阻抗断层扫描（EIT）是一种具有前景的无创实时肺部监测工具，但其数据异质性和低空间分辨率限制了其诊断肺损伤的能力。为解决这些挑战，我们提出DSFNet——一种双源时空特征融合网络，通过整合EIT时空边界电压与通气图像，对四种肺部病变（健康（HE）、气胸（PN）、胸腔积液（PE）和肺炎（PM））进行分类。时间动态建模（TDM）模块与多头自注意力（MHSA）模块旨在优化DSFNet的时间特征提取与表征能力。我们构建了一个描述病理性呼吸模式的新型EIT模拟数据集，并引入结合模拟数据（SD）与实验数据（ED）的混合数据学习策略，以解决小样本问题并提升模型分类准确性。采用SD+25% ED 模式训练的DSFNet在动态体模数据集和临床人体数据集上分别达到97.78%和96.55%的准确率，充分验证了其卓越性能与鲁棒性。Shap分析进一步揭示了输入数据的特征贡献。本研究为基于多源EIT数据的床旁肺损伤诊断提供了有效方法。
图 DSFNet用于EIT时空特征分类的示意图