DRCAM：通过对比度增强建模降低剂量，用于脑部增强磁共振成像

《Biomedical Signal Processing and Control》：DRCAM: Dose Reduction via Contrast Amplification Modeling for brain contrast-enhanced magnetic resonance images

自动睡眠分阶段检测通过引入轨迹检索增强框架TRA，构建高质检索池和Siamese多尺度特征提取模块，有效缓解数据稀缺问题，在五组基线模型上实现平均3.84%的Macro-F1提升。

　　自动睡眠分期在睡眠质量评估和睡眠障碍诊断中发挥着至关重要的作用。当前，尽管已有基于深度学习的方法在一定程度上推动了该任务的发展，但这些方法的进一步应用和研究仍然受到临床标注数据稀缺的严重制约。为了解决这一问题，本文提出了一种名为Trajectory Retrieval Augmented（TRA）的框架。该框架引入了一种轨迹检索机制，通过从数据集中检索高度相似且类别一致的序列，从而缓解数据稀缺的问题。此外，还设计了一个Siamese多尺度特征提取模块，用于编码更具判别性的类别一致表示，从而显著提升模型性能。与五个基线方法的对比实验表明，所提出的方法在宏观F1分数上提升了3.84%，在准确率上提升了2.75%，在Cohen’s Kappa上提升了3.21%。这些结果验证了我们的方法能够有效克服数据稀缺导致的性能瓶颈，从而实现更精确的睡眠分期，提升睡眠质量评估的准确性。本文的源代码已在GitHub上公开，方便其他研究者进行复现和进一步研究。

睡眠在免疫调节、代谢过程、记忆巩固和心理健康等方面起着关键作用。睡眠相关障碍，如失眠、发作性睡病（narcolepsy）和阻塞性睡眠呼吸暂停综合征（obstructive sleep apnea syndrome），已被广泛认为与多种身体和心理疾病密切相关。睡眠分期作为评估个体睡眠状态和睡眠质量的重要手段，不仅为临床医生提供了客观的诊断依据，还为睡眠障碍的早期检测和干预提供了基础支持。然而，现有的手动睡眠分期方法存在诸多局限性。例如，问卷调查结果表明，高达92.3%的受访者在手动分期任务中感到显著疲劳，且对补偿的期望普遍较高。这一结果反映了当前手动分期实践的三个主要问题：首先，分期过程耗时且效率低下；其次，结果的解释高度依赖专家的主观经验和专业水平；最后，不同评估者之间的一致性水平差异较大。这些因素共同导致了睡眠障碍临床筛查中的高成本和低可扩展性问题，严重限制了睡眠医学的推广和应用。

由于自动睡眠分期需要大量标注数据，而标注过程本身耗时且成本高昂，因此近年来，自动睡眠分期方法成为研究的热点。大量基于神经网络的模型被提出，旨在减少人力成本的同时提高分期的准确性。例如，Ji等人提出了一种基于三维卷积神经网络（3D-CNN）的模型架构，通过联合建模相邻脑区的信号，实现不同脑区之间时空特征的融合表达，从而更高效地捕捉睡眠信号的判别特征，并提升多阶段睡眠识别任务中模型的性能。此外，还有一种基于迁移学习的个体自适应架构被提出，用于提取与目标任务相关的信息并识别具有显著个体差异的脑电波形。该架构能够准确捕捉信号在个体间的变异性，从而提高模型对个体特征的敏感性和识别能力。尽管上述方法在提升自动睡眠分期模型性能方面取得了一定进展，但在缓解数据稀缺导致的核心挑战方面仍存在不足。

受上述研究的启发，本文提出了一种插拔式（plug-and-play）的检索增强框架，称为TRA（Trajectory Retrieval Augmented）。该框架由三个核心模块组成：聚类模块、轨迹检索模块和Siamese多尺度特征提取模块。具体而言，聚类模块负责构建高质量的检索池，为后续的轨迹检索提供基础。轨迹检索模块通过从检索池中检索相似样本，补充特征多样性，从而增强模型训练的效果。这一设计在少样本学习场景中尤为有效，能够缓解因数据量有限而导致的准确率下降问题。Siamese多尺度特征提取模块则在特征提取过程中发挥了关键作用，首先从检索样本和原始样本中提取关键特征，并将其转换为高维表示，确保更全面地捕捉判别性和一致性特征。这些特征随后通过信息融合策略进行整合，从而增强模型的判别能力，并有效应对数据稀缺和类别不平衡带来的挑战。此外，该模块的设计还考虑了与其他模型的无缝集成，真正体现了插拔式功能。这种模块化架构不仅提升了框架的灵活性和可扩展性，还为优化模型性能提供了新的思路和实用解决方案。

值得注意的是，我们的框架在分类准确性方面取得了显著提升，特别是在N1等样本较少的睡眠阶段表现尤为突出。此外，该框架还增强了模型的鲁棒性，确保其在数据稀缺或类别不平衡的情况下仍能保持较强的性能。由于其插拔式特性，TRA可以轻松地与多种现有模型（如AttnSleepNet、TS-TCC、IIT-Net）结合，而无需对其架构进行重大修改，从而提高了睡眠分期系统的灵活性和适用性。在广泛的实验验证中，TRA显著缓解了有限训练数据对模型性能的负面影响，大幅提升了自动睡眠分期模型的准确性和鲁棒性。本文的核心贡献可以总结为以下三点：

首先，我们提出了一种Trajectory Retrieval Augmentation（TRA）框架，通过建立跨样本的轨迹相似性检索机制，丰富了特征表示。这一方法有效缓解了N1样本的稀缺问题，并在与AttnSleep等基线模型的对比中，使宏观F1分数提升了9.48%。这不仅增强了自动睡眠分期模型的鲁棒性，还显著提升了其整体性能。

其次，我们提出了一种Siamese多尺度特征提取模块，该模块通过参数共享，将原始序列和检索序列映射到统一的特征空间，从而学习到更具判别性的高维表示。这一模块具有良好的模块化和可扩展性，可以无缝集成到现有的自动睡眠分期模型中，不仅有效提升了分类性能，还为未来构建和集成更复杂的架构提供了潜在的可能性。

最后，我们在五个基线模型上进行了实验，结果表明我们的框架具有广泛的适用性。它可以被无缝插入到任何模型中，从而实现平均性能提升2.28%，并在宏观F1分数上达到最高提升3.84%。这些实验结果充分证明了TRA框架在解决睡眠分期中数据稀缺和类别不平衡问题方面的有效性。

在相关工作的回顾部分，本文简要介绍了与睡眠分期和检索增强方法密切相关的两个研究方向。自动睡眠分期是本文研究的核心，其目标是利用生理信号自动识别和分类不同的睡眠阶段。根据美国睡眠医学学会（AASM）的指南，睡眠通常被划分为五个不同的阶段：清醒状态（Wake）、非快速眼动（NREM）阶段N1、N2和N3，以及快速眼动（REM）睡眠。每个阶段都有其独特的生理模式和脑电图特征，这些特征是自动睡眠分期的关键依据。

此外，本文还探讨了检索增强方法的相关研究。这些方法通过高效地检索相关信息来提升生成效果，已在多个领域受到广泛关注。例如，Bahr等人提出了一种将知识图谱集成到检索增强生成（RAG）框架中的方法，显著提升了故障模式与影响分析（FMEA）的效果，通过增强语义分析和问答能力。同样，Alawwad等人通过利用RAG检索概念相关的相关信息，并结合迁移学习以增强在扩展上下文中的推理能力，解决了教科书问答系统中推理能力弱和难以处理长上下文输入的局限性。这些研究展示了基于RAG的方法在应对特定领域数据挑战方面的实用性和创新性。

在本文中，我们受到这些研究的启发，提出了一种新的检索增强框架TRA，旨在解决自动睡眠分期中的两个关键挑战：数据稀缺和类别不平衡。通过系统地整合聚类、轨迹检索和基于Siamese的多尺度特征提取模块，我们的框架显著提升了基线模型的分类性能。与当前最先进的方法相比，TRA在宏观F1分数上实现了3.84%的提升，充分验证了其在改善睡眠分期准确性和鲁棒性方面的有效性。

本文的研究成果不仅为自动睡眠分期提供了新的方法，也为其他相关领域的数据增强和模型优化提供了借鉴。通过引入轨迹检索机制和Siamese多尺度特征提取模块，我们的框架在处理数据稀缺问题上展现出显著优势。未来，我们计划进一步探索该框架在不同数据集和应用场景中的泛化能力，同时考虑其在临床实践中的具体应用。此外，我们还希望通过与其他模型的结合，拓展TRA框架的功能，使其在更广泛的睡眠医学研究和应用中发挥作用。