研究室论文《CFM-Net: A Cross-Feature Modulation Network for Chronic Respiratory Disease Diagnosis Using Electrical Impedance Tomography and a Flow-Volume Loop Representation》被《Measurement》录用。
论文主要内容如下：
慢性呼吸系统疾病的准确鉴别对于及时干预和长期疾病管理具有重要意义。传统影像学检查可能带来累积性辐射暴露，而肺功能检查主要反映整体通气功能受损情况，难以提供肺部区域功能信息。此研究提出了一种跨特征调制网络（Cross-Feature Modulation Network，CFM-Net），融合电阻抗断层成像（Electrical Impedance Tomography，EIT）图像序列与基于EIT构建的流量-容积环（Flow-Volume Loop，FVL）表示，用于慢性呼吸系统疾病的智能鉴别。
该方法联合建模EIT图像所蕴含的区域时空通气信息与EIT衍生FVL所表征的全局呼吸动力学信息，并通过FVL条件特征调制、跨特征注意力机制以及通道-空间特征优化实现两类信息的深度融合。在公开数据集上，CFM-Net在五分类、三分类和二分类任务中均取得了最佳整体性能，其Macro-F1较性能最优的对比方法提升约12%～19%。在本研究建立的临床数据集（包括健康受试者、哮喘患者和慢性阻塞性肺疾病患者）上，CFM-Net同样优于代表性的ResNet和DenseNet模型，分类准确率达到90.06%，Macro-F1达到0.895，宏平均受试者工作特征曲线下面积（Macro-AUC）达到0.946。进一步的混合数据源实验、消融实验及跨中心迁移实验验证了结构化跨特征交互机制的有效性，同时也揭示了模型在异构数据采集条件下仍存在折间性能波动、性能下降以及跨中心迁移能力不对称等问题。
研究结果表明，将EIT提供的区域通气信息与基于EIT衍生的全局呼吸动力学信息进行协同建模，有望为慢性呼吸系统疾病提供一种无创、可重复且具有较高准确性的疾病表征与辅助诊断方法。
图 EIT技术对慢性呼吸系统疾病进行鉴别诊断的测量与重建流程