在硬件、大气及轨道干扰条件下的基于多普勒技术的单颗低地球轨道卫星系统定位

《IEEE Transactions on Aerospace and Electronic Systems》：Doppler-Based Localization Under Hardware, Atmospheric and Orbital Impairments for Single LEO Satellite Systems

　　

摘要：

先天性心脏病是全球最常见的出生缺陷。胸部X光检查作为一线筛查工具，具有极高的应用便捷性，但房间隔缺损、室间隔缺损以及动脉导管未闭的X光表现存在高度重叠，这使得鉴别诊断十分困难。现有的深度学习方法依赖单一的视觉编码器，无法重现放射科医生所使用的多级推理过程——即结合局部解剖结构特征、整体语义模式以及临床先验知识。为解决这一问题，我们提出了ClinCheX，这是一种基于三路径异构编码器协同推理的框架，用于四种类型先天性心脏病的胸部X光片分类。路径一采用经过LoRA微调的RAD-DINO模型，并配备区域感知注意力机制，以提取多区域的解剖特征表示；路径二则使用冻结版的BiomedCLIP模型来获取全局视觉-语义向量，同时生成12维的临床语义指纹；路径三通过轻量级的离线预提取和可训练的投影机制，将Qwen2-VL模型中的广泛领域视觉知识引入分类流程。这三个路径的输出会通过门控自适应语义聚合机制进行动态加权，再通过考虑混淆情况的标签平滑处理、临床对齐损失函数以及区域多样性正则化项共同优化。在公共的CHD-CXR数据集上进行的五折交叉验证结果显示，ClinCheX的准确率为84.42%，AUC值为95.57%，分别比最佳的单模态基准模型高出11.0%和5.2%。消融实验以及跨模态粒度分析进一步验证了各组件的有效性，同时也揭示了通用型医疗视觉-语言模型在细粒度先天性心脏病亚型分类方面的固有粒度瓶颈。