血管内皮生长因子3’非翻译区936C/T 突变与糖尿病视网膜病变的关系

目的: 探讨血管内皮生长因子(VEGF)936C/T突变与糖尿病视网膜病变(DR)的关系。方法: 按WHO的糖尿病(DM)诊断和排除标准及分型标准,选取无亲缘关系的2型糖尿病患者254例,分为非增殖性视网膜病变(NPDR)组、增殖性视网膜病变(PDR)组和单纯2型糖尿病(DM)组,选取健康体检人群120例作为正常对照组(NC)。采用PCR-RFLP方法确定全部人员的基因型,对不同组间的临床与生化指标及VEGF浓度、936C/T多态性进行了统计分析。结果: NPDR 和PDR组的CC基因型频率及C等位基因频率显著高于DM组(²=7.490,²=4.448, P<0.05;²=8.333,²=5.227,P<0.05)和NC组(²=9.934,²=4.899, P<0.05; ²=10.895,²=5.714, P<0.05),而NPDR 和PDR组(CT+TT)基因型频率及T等位基因频率显著低于NC组(²=9.934,²=10.895, P<0.01;²=4.899,²=5.714, P<0.05)和DM组(²=7.490,²=8.333,P<0.01;²=4.448,²=5.227,P<0.05)。DR多重危险因素分析显示血清低密度脂蛋白胆固醇(LDL-C)、总胆固醇(TC)、糖化血红蛋白(HbA1c)水平以及VEGF浓度和DR发病呈正相关,而VEGF 936C/T突变与DR发病危险呈负相关(β=-1.027,OR=0.343,P<0.01,CI:0.157-0.723)。结论: 中国汉族人群中存在VEGF 936C/T突变。VEGF 936C等位基因及CC基因型可能是中国汉族糖尿病患者易于发生DR的危险性遗传标志,而VEGF 936T等位基因和携带T等位基因的基因型(936TT基因型和936CT基因型)可能是DR发病风险降低的遗传标志。血浆VEGF、 LDL-C、TC和HbA1c水平可能是2型糖尿病患者易发DR的危险因素。     

利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割

针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据Stein-Weiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。     

基于边缘监督的肝部超声图像包膜分割网络

肝纤维化、肝硬化的早期发现对临床治疗和预后评估具有重要意义。而肝包膜的形态和纹理特征是计算机辅助肝硬化诊断的重要依据。本文提出一种基于边缘监督的肝部超声图像包膜分割网络。该网络以常用的分割模型UNet为基础,引入空洞卷积,扩大感受野;同时,添加了边缘监督模块,从而将特征学习主要聚焦在图像梯度较大的部分;此外,还设计了混合加权损失函数,来缓解肝包膜部分与其他区域之间的极度不平衡情况。实验结果表明,本文提出的ES-UNet网络结构平均Dice系数相比原始UNet提高了0.171 5,平均交并比（MIoU）提高了0.021 5,其他指标也有较明显的提高,可见,本文算法的各个组件对模型分割性能的优化都有一定的贡献,改进后的模型可以实现肝包膜的精确分割。     

基于多监督注意力机制神经网络的脑胶质瘤循环肿瘤细胞分割算法

为了提升脑胶质瘤循环肿瘤细胞的分割准确率,解决人工分割中肉眼分辨边界困难、目标占比小和操作流程繁琐等问题,提出一种端到端的像素级分割算法。针对数据特征,提出一种基于多监督机制的混合损失函数用以提升预测区域与目标区域的交并比,同时训练网络向预测正确目标个数的方向收敛;其次,在网络中逐层加入卷积块注意力机制模块,使得网络能在空间、通道层面重点学习数据特征,进一步提升预测准确率;最后,通过采用混合训练的方式,只需一个网络模型就能直接分割出细胞核、细胞质区域,缩减训练流程。实验结果表明,此分割算法对比U-Net网络在召回率、精确率以及Dice系数方面均有显著提升,在细胞核分割方面,分别达到92.20%、86.56%、88.27%;在细胞质分割方面,分别达到89.33%、85.31%、86.33%。