快讯｜海事 DMU ITREC 工作被 Information Fusion录用
https://github.com/Eleanorhxd/CCFN
END
往期推荐
喜欢此内容的人还喜欢
阅读到这，期待您的点赞、分享，“在看”
博士生侯晓迪关于放射学报告生成的研究成果被国际权威期刊 Information Fusion 录用
2026-07-02 00:18
博士生侯晓迪关于放射学报告生成的研究成果被国际权威期刊 Information Fusion 录用再创佳绩 近日，实验室博士生侯晓迪在放射学报告生成领域取得的研究成果" Collaborative cross-modal fusion network for medical report generation" 被信息管理领域顶级期刊《Information Fusion》录用。该期刊为中科院一区期刊、JCR Q1 期刊，影响因子为 17.4，在信息融合与智能信息处理领域具有较高学术影响力。 题目：Collaborative cross-modal fusion network for medical report generation 作者：Xiaodi Hou, Xiaobo Li, Mingyu Lu, Hai Cui, Hongfei Lin, Yijia Zhang 摘要：自动化医学报告生成旨在将医学影像转化为具有临床一致性的文本描述，是医学图像分析与临床决策支持中的一项关键任务，在提升诊断效率和减轻医生工作负担方面具有重要潜力。然而，现有方法仍受到数据分布偏差和跨模态交互不足的限制，削弱了模型准确定位异常区域以及实现视觉模态与文本模态精确对齐的能力。为此，我们提出了一种用于医学报告生成的协同式跨模态融合网络(CCFN)。具体而言，我们设计了视觉协同增强模块，通过融合全局与局部上下文信息的双重校准机制，将 CNN 学习到的粗粒度 patch 级表征细化为对病灶更加敏感的细粒度嵌入表示。同时，我们设计了跨模态语义融合模块，以实现模态特异性表征之间的细粒度对齐，并引入 MedFuse-Mixer，以更好地弥合不同模态数据异质性所导致的语义鸿沟。我们在 IU X-Ray 和 MIMIC-CXR 两个公开基准数据集上对所提出方法进行了评估，并采用领域内广泛使用的自然语言生成指标和临床有效性指标，以保证与已有方法之间的公平比较。实验结果表明，与强基线方法相比，CCFN 在主要指标上取得了一致提升，能够更准确地描述病理发现，并提升生成报告的临床一致性。 代码已开源：