基于机器学习的睡眠剥夺注意力易损性分类研究

目的:旨在寻找可以对睡眠剥夺后注意力易损与耐受个体进行准确区分的白质纤维束。方法:借助弥散张量成像技术获取各向异性分数、轴向扩散系数、径向扩散系数及平均扩散系数等反映白质弥散特性的特征参数,使用支持向量机分类算法构建睡眠剥夺易损性分类模型;采用准确性、敏感性、特异性、阳性预测值和阴性预测值等指标评价分类模型的性能表现;采用置换检验评估分类模型的显著性。结果:与只采用单一类型特征相比,使用组合特征构建的分类器表现性能最佳,其准确性、敏感性、特异性、阳性预测值、阴性预测值及曲线下面积分别为83.67%、80.00%、87.50%、86.96%、80.77%、88.67%。在组合特征构建的分类模型中对分类贡献较大的白质纤维束主要包括放射冠、内囊前肢、丘脑后辐射及皮质脊髓束等投射纤维、上纵束和扣带等联络纤维以及胼胝体和穹窿联合等联合纤维。结论:特定脑区间白质纤维束的微观结构特性可以作为区分睡眠剥夺后注意力易损与耐受个体的影像学标志物。     

利用蒙特卡罗模拟评估空气间隙对点扫描质子治疗的剂量影响

目的:利用蒙特卡罗模拟探究空气间隙对点扫描质子治疗的剂量影响。方法:利用通用蒙特卡罗程序Geant4平台构建使用射程移位器的治疗头末端的点扫描质子束流模型,并进行验证。模拟计算不同能量、不同射程移位器、不同束斑尺寸、不同束斑数目在不同空气间隙条件下的质子束流在水模体中的剂量沉积,并通过获得的积分深度剂量生成剂量修正因子对剂量的差异进行比较。结果:不同空气间隙会造成剂量损失,随空气间隙增大而增大,随水模体中深度增加而减小。对于能量更高的射束和使用水等效厚度更薄的射程移位器,剂量损失越大。束斑尺寸改变和束斑数目增加较少时造成的剂量损失与同条件下单一束流无显著差别。结论:当使用射程移位器、肿瘤位置较浅、空气间隙较大时,建议建立剂量修正因子数据库应用于治疗计划系统对剂量进行修正。     

基于3D深度残差网络和多模态MRI的脑胶质瘤自动分级

目的:利用3D深度残差网络和多模态MRI实现对脑胶质瘤的自动分级。方法:利用BraTS2020公共数据集的293例高级别胶质瘤（HGG）和76例低级别胶质瘤（LGG）的多模态MRI数据训练和测试3D深度残差卷积网络模型。多模态MRI图像经过3D剪裁、重采样和归一化的预处理,随机分组为训练（64%）、验证（16%）和测试（20%）样本,将预处理后的多模态MRI图像和分级标注输入到网络模型进行训练、验证和测试。利用准确率（ACC）和受试者工作特征（ROC）曲线下面积（AUC）评价分级结果。结果:在59例（48例HGG和11例LGG）验证数据集上,ACC和AUC分别为0.93和0.97,在75例（62例HGG和13例LGG）测试数据集上,ACC和AUC分别为0.89和0.93。结论:3D深度残差网络在多模态MRI数据集上获得了较好的脑胶质瘤自动分级结果,可以为确定治疗方案和预测预后方面提供重要参考。     

一种无线闭环迷走神经刺激器及系统

为了治疗药物难治性癫痫,提出一种无线闭环迷走神经刺激器及系统,包括头戴式头皮脑电记录器、迷走神经刺激器、电磁耦合能量发射器和控制应用App,设计一种可以分离局部场电位和动作电位的生物信号前置放大器,一种刺激脉冲参数可调的迷走神经刺激器,一种电磁耦合能量发射器以及一个控制应用App。使用海岸线参数检测算法判定癫痫脑电信号的产生。测试结果表明,生物信号前置放大器对局部场电位和动作电位的放大增益分别为40和60 dB。迷走神经刺激器接收到来自控制应用App的刺激参数后,可以产生对应参数的双极性刺激脉冲。当发射器发射功率为30 dBm,发射线圈和接收线圈距离2 cm时,电磁耦合能量传输效率最大为15.4%。海岸线参数算法的正检率为88%。     

磁共振联合超声鉴别诊断子宫内膜间质肉瘤与变性子宫肌瘤

目的:应用磁共振联合超声鉴别诊断子宫内膜间质肉瘤（ESS）与变性子宫肌瘤。方法:回顾性分析ESS患者19例和变性子宫肌瘤患者36例。分析患者磁共振直方图（T2WI肿瘤最大层面直方图）及彩超检测结果特征,并对两种方法联合诊断的灵敏度与特异度进行分析。结果与结论:ESS患者与变性子宫肌瘤患者临床表现近似,但各具特征;ESS患者年龄更高,绝经女性所占比例更高,且肿物最大直径相对更大。超声检测肿瘤基本特征可见,ESS患者肿瘤边界模糊的比例更高,以中强度回声为主,瘤体结构多为实性,血流丰富,红色样变比例也较高。对比之下,变性子宫肌瘤患者回声多为低强度,肿瘤结构多为其他结构,血流稀疏,脂肪样变比例相对更高。同时,受试对象MRI检测T2W1肿瘤最大层面直方图相关参数,在ESS患者和变性子宫肌瘤患者中可见在平均值、方差、偏度、峰度以及几个不同的百分位数（P1、P10、P50、P90）的差异均存在统计学意义（P<0.05）。直方图（P50）联合超声检查的灵敏度和特异度均较高,效力最佳。     

基于3D-ResNet深度影像特征的胆囊癌生存预测模型

建立一个精准的个体化胆囊癌患者生存预测模型,分析、寻找新的胆囊癌预后因素,对于患者预后评估、治疗模式选择、手术患者筛选、术后辅助治疗方案确定及医疗资源合理使用均具有重要意义。本文提出一种基于3D-ResNet提取深度影像特征建立胆囊癌患者生存预后模型的方法,通过迁移学习以及训练3D-ResNet自动提取患者CT的深度特征,并利用提取的深度影像特征,通过Cox比例风险回归模型建立胆囊癌患者的生存预测模型。实验结果表明,基于深度影像特征建立的胆囊癌患者预后因子在预测患者生存时的C指数达到0.734,利用深度影像特征预后因子预测患者的1、3、5年存活率AUC分别达到0.833、0.791、0.813。本方法对胆囊癌预后预测有着良好的指示作用。     

3种立体定向放射外科技术在不同脑转移瘤个数下的比较

目的:比较HyperArc、容积旋转调强（VMAT）和射波刀（CyberKnife）在单发和多发脑转移瘤（BM）放射治疗中的剂量学差异。方法:将75例脑转移瘤CT图像分成5组（1 BM、4 BM、8 BM、15 BM、20 BM）,分别设计HyperArc、非共面VMAT和CyberKnife这3种不同技术（HA、nCO-VMAT、CK）的计划。分析比较3种计划的剂量学差异,包括靶区适形度指数（CI）、梯度指数（GI）、正常脑组织平均剂量（Brainmean）、机器总跳数（MU）以及出束时间。结果:在1 BM中,HA、nCO-VMAT、CK的GI值（P=0.429）和Brainmean值（P=0.799）接近;HA和nCO-VMAT的CI值接近,优于CK（P<0.001）。在4 BM中,HA、nCO-VMAT、CK的GI值（P=0.334）和Brainmean值（P=0.317）都接近;HA和nCO-VMAT的CI值接近,优于CK（P<0.001）。在8 BM中,HA和nCO-VMAT的CI值接近,优于CK（P<0.001）;HA和CK的GI值接近,优于nCO-VMAT（P<0.001）。在15 BM中,HA的CI值（P<0.001）最优;CK的GI值（P<0.001）最优,HA次之,nCO-VMAT最差;CK的Brainmean值（P<0.001）最优,HA次之,nCO-VMAT最差。在20 BM中,HA的CI值（P<0.001）最优;CK的GI值（P<0.001）最优,HA次之,nCO-VMAT最差。在所有组中HA和nCO-VMAT的MU值都比CK低,CK的出束时间都远大于HA和nCO-VMAT。结论:HA、nCO-VMAT与CK技术都可以降低正常脑组织的剂量,都能取得很好的CI和GI,但HA出束时间短,CK出束时间长。     

Piezo1离子通道介导的流体剪切应力抑制MLO-Y4骨细胞凋亡

目的:研究Piezo1机械敏感性离子通道对骨细胞的调控作用。方法:应用课题组研发的流体剪切力（FSS）加载装置,使用免疫荧光探究FSS对Piezo1通道在MLO-Y4中影响的最佳强度;对Piezo1使用FSS、激动剂Yoda1或阻滞剂GsMTx4进行干预。使用Western Blot探究Cleaved Caspase-3、Bcl-2、Bax凋亡相关蛋白的表达量;使用Hoechst-33258以及流式细胞凋亡检测MLO-Y4骨细胞的凋亡比例。结果:免疫荧光染色结果表明FSS对MLO-Y4骨细胞中Piezo1的表达呈现先增加后降低的单峰趋势,其中以9 dyne/cm2加载30 min为最佳刺激条件。使用Yoda1抑制MLO-Y4细胞凋亡（P<0.05）,使用GsMTx4促进MLO-Y4细胞凋亡（P<0.05）。Piezo1介导的FSS抑制MLO-Y4细胞凋亡（P<0.05）。结论:Piezo1机械敏感性离子通道介导的FSS在9 dyne/cm2条件下抑制MLO-Y4骨细胞凋亡,且FSS在该条件下可以有效逆转Piezo1阻滞剂GsMTx4在4 μmol/L作用0.5 h下促进MLO-Y4细胞凋亡作用。     

临床运行中电子直线加速器的故障原因及干预对策

目的:探讨临床运行中电子直线加速器的故障原因及干预对策。方法:对1台于2020年9月至2021年12月临床运行1年3个月的医用电子直线加速器的故障发生原因与频率调查结果进行回顾性分析,并制定出有效的干预对策。结果:医用电子直线加速器的常见故障原因主要为X射线容积成像影像系统故障,占比为21.82%（12/55）,其次为机械运动故障,占比为18.18%（10/55）;电路故障的发生频率虽然不高,但因此故障所导致的功能停用与停机时间却相对较长。结论:在医用电子直线加速器临床运行过程中,要减少X射线容积成像影像系统与机械运动故障,降低故障发生频率,应该结合医用电子直线加速器临床运行故障发生原因与频率,制定出定期维护保养等有效的干预对策。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。