全局与局部注意力机制的胃部肿瘤分割算法

通过CT实现术前胃部肿瘤诊断是一种潜在高效的技术方法，而准确的肿瘤影像分割是实现该方法的关键。为了能够精确地提取到肿瘤区域，提出一种基于注意力机制的2D分割网络GLat-Net对上腹部CT影像中的胃部肿瘤区域进行分割，通过增加对肿瘤周围区域的关注，从全局和局部两个角度提取有效的上下文信息；同时在解码模块中引入权重模块突出具有代表性的特征。通过实验结果证明，相比较于其他前沿分割方法，该算法在胃部肿瘤分割上有更高的准确度。     

基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法（SC-Net）。SC-Net有两条主干线:分割主线、分类主线。这种新型算法分为两步进行训练:第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。     

基于Transformer与Vector Loss模块的椎骨Cobb角点定位网络

目的:通过定位脊椎骨角点计算Cobb角度数。方法:使用神经网络的方法进行脊椎骨角点坐标的定位,通过嵌入Transformer与Vector Loss模块解决了在清晰度不高、拍摄角度不同的X光图像上计算Cobb角度数精确不高的问题。结果:在MICCAI 2019公开脊椎挑战赛数据集中,本文方法的平均对称百分比（SMAPE）高达9.01。相较于最新的方法,该方法在SMAPE值上提高了1.80。结论:本文所提出的算法嵌入Transformer与Vector Loss模块,与现有的诸多算法相比,具有较高的准确率和稳健性,可以辅助临床医生选择适合患者的治疗方案。     

基于改进型V-net卷积神经网络的胃壁分割方法

实现上腹部CT影像的胃壁分割与中心线提取是成功实现早期胃癌筛查和辅助T分期的前提。基于改进型V-net的胃壁分割方法加入了全局平均权重模块的全卷积神经网络框架,有效解决了神经网路下采样过程中信息丢失的问题。此外,本文在原水平集方法的基础上,提出了正则化水平集损失函数。该损失函数有效抑制了全卷积网络胃壁边缘特征丢失率和因数据量较少而引起的过拟合问题,提高了神经网络对上腹部CT影像中胃壁的识别精度。实验表明,在上腹部CT影像数据集中本文方法分割准确度Dice系数高达0.916 5,IOU达到了0.822 3。该方法的Dice相对于3D V-net方法准确度提高了近6%,同时比CE-net和Dense U-net方法的准确率分别提高了2.7%和3.1%。     

动脉舒张压的变音与消失音差值的探讨

<正> 血压是生命体征之一,是反映人体循环系统机能的重要指标.血压的寓低,直接影响全身组织器官的血液供给.因此,正确的测量血压是诊断疾病,观察病情变化与判断治疗效果的一项重要内容.临床实践证明测量血压所发生的误差除同病人,仪器等有关外,还同测量方法有直接关系。按WHO的统一规定,舒张压以消失音为标准,而临床目前大多数以舒张压变音为标准。对此,我们进行了多次调查与讨论,并将调查结果作以下分析。