外文科技论文翻译及双语对照范本

外文科技论文翻译及双语对照范本Title(标题)：*ImprovedConvolutionalNeuralNetworkwithAttentionMechanismforLungCancerDiagnosisBasedonCTImages*标题翻译：*基于注意力机制的改进卷积神经网络用于CT图像肺癌诊断*1.Abstract（摘要）英文原文中文翻译翻译要点注释：研究热点：译为“researchhotspot”，强调领域关注度，符合科技论文固定表达；旨在探讨：译为“aimstoexplore”，“aimsto”明确研究目的，“explore”突出对未知领域的探索；经病理证实：译为“confirmedbypathology”，符合医学诊断规范；灵敏度/特异性：译为“sensitivity/specificity”，医学统计学专业术语，需严格一致；临床决策：译为“clinicaldecision-making”，固定搭配，强调决策的临床相关性。2.Introduction（引言）英文原文中文翻译翻译要点注释：主要原因之一：译为“oneoftheleadingcauses”，“leading”强调“核心性”，比“main”更正式；容易出现人为误差：译为“ispronetohumanerror”，“beproneto”突出“易发性”，比“easilyhave”更学术；过拟合：译为“overfitting”，机器学习专业术语，需准确；注意力机制：译为“attentionmechanism”，深度学习核心概念，保持一致；我们假设：译为“Wehypothesizethat”，“hypothesize”强调“科学性假设”，符合科技论文严谨性。3.Methods（方法）英文原文中文翻译**Methods**

###3.1DatasetCollection

Wecollected1000CTimagesfromtheRadiologyDepartmentofXHospital,including500casesoflungcancer(confirmedbypathology)and500normalcases.Theimageswereacquiredusinga64-sliceCTscannerwithaslicethicknessof1.25mm.Allimageswerepreprocessedtostandardizetheirsizeto256×256pixelsandnormalizethepixelvaluestotherange[0,1].

###3.2ModelArchitecture

OurimprovedCNNmodelisbasedontheResNet50architecture,withtwokeymodifications:(1)addingachannel-wiseattentionmoduleafterthelastconvolutionallayer,and(2)usingadropoutlayertopreventoverfitting.Theattentionmoduleconsistsoftwoconvolutionallayersandasigmoidactivationfunction,whichcangenerateanattentionmaptoweightthefeaturemaps.Thedropoutlayerwitharateof0.5isaddedafterthefullyconnectedlayertoreducetheco-adaptationofneurons.

###3.3TrainingandEvaluation

Thedatasetwassplitintoatrainingset(70%),avalidationset(15%),andatestset(15%).Dataaugmentationtechniques,includingrotation,flipping,andscaling,wereappliedtothetrainingsettoincreasethenumberofsamples.ThemodelwastrainedusingtheAdamoptimizerwithalearningrateof0.001andabatchsizeof32.Thecross-entropylossfunctionwasusedtomeasurethedifferencebetweenthepredictedandactuallabels.Theperformanceofthemodelwasevaluatedusingaccuracy,sensitivity,andspecificity.**方法**

###3.1数据集收集

我们从X医院放射科收集了1000张CT图像，包括500例肺癌病例（经病理证实）和500例正常病例。图像由64层CT扫描仪获取，层厚为1.25mm。所有图像均经过预处理：将尺寸标准化为256×256像素，并将像素值归一化到[0,1]范围内。

###3.2模型架构

我们的改进CNN模型基于ResNet50架构，进行了两项关键修改：（1）在最后一个卷积层后添加**通道注意力模块**；（2）使用**dropout层**防止过拟合。注意力模块由两个卷积层和一个sigmoid激活函数组成，能够生成注意力图对特征图进行加权；dropout层（率为0.5）添加在全连接层后，以减少神经元的共适应。

###3.3训练与评估

数据集分为训练集（70%）、验证集（15%）和测试集（15%）。对训练集应用数据增强技术（包括旋转、翻转和缩放）以增加样本数量。模型使用Adam优化器训练，学习率为0.001，批次大小为32；采用交叉熵损失函数衡量预测标签与实际标签的差异。模型性能通过**准确率**、**灵敏度**和**特异性**评估。翻译要点注释：层厚：译为“slicethickness”，CT成像专业术语，需准确；标准化/归一化：译为“standardize/normalize”，数据预处理核心术语，保持一致；通道注意力模块：译为“channel-wiseattentionmodule”，“channel-wise”强调“通道方向”，是注意力机制的具体类型；dropout层：译为“dropoutlayer”，防止过拟合的常用技术，直接保留缩写；Adam优化器：译为“Adamoptimizer”，深度学习常用优化算法，规范翻译；交叉熵损失函数：译为“cross-entropylossfunction”，分类任务核心损失函数，准确无误。4.Results（结果）英文原文中文翻译翻译要点注释：混淆矩阵：译为“confusionmatrix”，模型评估核心工具，准确翻译；假阳性率/假阴性率：译为“falsepositiverate/falsenegativerate”，医学统计学专业术语，需严格一致；消融研究：译为“AblationStudy”，验证模型组件有效性的标准方法，保留术语；与我们的假设一致：译为“whichisconsistentwithourhypothesis”，“consistentwith”强调“符合性”，比“agreewith”更正式。5.Discussion（讨论）英文原文中文翻译翻译要点注释：误诊：译为“misdiagnosis”，临床核心术语，准确翻译；可解释性：译为“interpretability”，AI模型临床应用的关键指标，强调“决策的可理解性”；样本量较小：译为“smallsamplesize”，研究常见局限性，规范表达；普遍性：译为“generalizability”，指结果适用于更广泛人群的能力，准确翻译；成像模态：译为“imagingmodalities”，医学影像专业术语，涵盖不同成像技术。6.Conclusion（结论）英文原文中文翻译**Conclusion**

Inthisstudy,weproposedanimprovedCNNmodelwithanattentionmechanismanddataaugmentationtechniquesforlungcancerdiagnosisbasedonCTimages.Theexperimentalresultsshowthatourmodelachieveshigheraccuracy,sensitivity,andspecificitythanexistingmodels,whichindicatesthattheattentionmechanismanddataaugmentationareeffectiveinimprovingtheperformanceofCNNmodelsonsmall-samplemedicaldata.Thelowfalsepositiverateandfalsenegativerateofourmodelmakeitapromisingtoolforclinicaldecision-making.However,ourstudyhassomelimitations,suchasasmallsamplesizeandlimitedimagingmodalities.Futureworkwillfocusonexpandingthedatasetandtestingthemodelonotherimagingmodalities.Overall,thisstudyprovidesnewinsightsintotheapplicationofAIinmedicalimageanalysisandlaysafoundationforfutureresearch.**结论**

本研究提出了一种结合注意力机制和数据增强技术的改进CNN模型，用于基于CT图像的肺癌诊断。实验结果表明，我们的模型比现有模型具有更高的准确率、灵敏度和特异性，这表明注意力机制和数据增强在提高CNN模型处理小样本医学数据的性能方面是有效的。我们模型的低假阳性率和假阴性率使其成为临床决策的**有前景工具**。然而，我们的研究存在一些局限性（如样本量较小、成像模态有限），未来的工作将重点扩展数据集并在其他成像模态上测试模型。总体而言，本研究为AI在医学影像分析中的应用提供了**新的见解**，为未来的研究奠定了基础。翻译要点注释：有前景工具：译为“promisingtool”，“promising”强调“潜力”，比“goodtool”更正式；新的见解：译为“newinsights”，“insights”强调“深刻理解”，比“newideas”更学术；奠定了基础：译为“laysafoundationfor”，固定搭配，强调“基础性贡献”。7.科技论文翻译要点总结结合上述范本，科技论文翻译需遵循以下核心原则，以确保专业严谨性和实用价值：（1）专业术语一致性医学、机器学习等领域的专业术语需严格一致，如“卷积神经网络（CNN）”“注意力机制（attentionmechanism）”“混淆矩阵（confusionmatrix）”等，避免同一术语多种翻译。（2）学术风格保持使用正式、严谨的语言，避免口语化表达（如“旨在”译为“aimsto”而非“想”；“解决问题”译为“addresstheproblem”而非“搞定问题”）。优先使用被动语态或无主语句（如“模型被训练”译为“模型进行了训练”，符合中文表达习惯但保持学术性）。（3）逻辑关系清晰（4）数据与结果准确数字、百分比、符号（如“92%”“[0,1]”）需严格对应，避免翻译错误；图表名称（如“表1”“图1”）需与原文一致，确保读者能快速定位。（5）临床相关性保留医学论文的翻译需突出临床意义（如“误诊风险”“临床决策”“成像模态”），确保翻译后的内容符合临床实践需求。（6）缩写规范8.实用工具