CT三维重建技术在腹腔镜下置管灌洗引流治疗重症急性胰腺炎中的作用

目的:分析CT三维重建技术在腹腔镜手术治疗重症急性胰腺炎中的作用。方法:选取重症急性胰腺炎进行腹腔镜治疗的患者82例为研究对象,采用随机数字表法分为对照组与观察组各41例,对照组采用常规腹腔镜置管治疗,观察组在对照组基础上采用CT三维重建技术,对比两组临床疗效。结果:观察组患者术后灌洗引流时间、尿淀粉酶恢复正常时间短于对照组,术中出血量少于对照组,差异均有统计学意义(P<0.05);两组术后住院时间差异无统计学意义(P>0.05)。两组患者并发症率和二次手术率比较,差异无统计学意义(P>0.05)。结论:术前采用CT三维重建技术可显示出胰腺坏死部位、胰周积液范围,胰腺解剖结构,为手术方式选择、清除范围确定以及规避脏器损害均有积极意义,可提升手术安全性、有效性。     

早期去骨瓣减压+颞肌贴敷术治疗幕上大面积脑梗死

目的 探讨早期去骨瓣减压+颞肌贴敷术治疗幕上大面积脑梗死的临床疗效。方法 回顾性分析2015年1月至2017年1月去骨瓣减压+颞肌贴敷术治疗的34例幕上大面积脑梗死的临床资料。根据手术时间分为早期组（发病后24 h内手术，16例）和常规组（发病后24~72 h手术，18例）。结果 早期组术后1个月死亡1例；常规组术后1个月死亡2例，术后2个月死亡1例；其余30例术后至少随访6个月。与常规组相比，早期组术后3、6个月脑梗死面积明显减少（P<0.05），神经功能及脑灌注明显改善（P<0.05）。术后3个月，早期组恢复良好率（60.0%，9/15）明显高于常规组（20.0%，3/15；P<0.05）；两组术后6个月恢复良好率无统计学差异（60.0% vs. 33.3%；P>0.05）。结论 对于幕上大面积脑梗死，早期去骨瓣减压+颞肌贴敷术能够显著减少脑梗死面积，改善神经功能。     

磁共振3D-SPACE系列和3D-CISS系列在儿童梗阻性脑积水中比较

目的:分析对比磁共振3D-SPACE系列和3D-CISS系列在儿童梗阻性脑积水中的使用情况。方法:选择某院在2017年4月～2018年4月收治的50例(50名患者)儿童梗阻性脑积水患者进行观察,对所有患者进行3D-SPACE序列及3D-CISS系列检查。结果:使用3D-CISS系列检查发现30例膜性梗阻,55处可以清楚分辨膜性梗阻;使用3D-SPACE系列检查发现14例膜性梗阻,20例可以清楚分辨膜性梗阻。结论:3D-CISS系列能够将脑积水患者脑室内和脑室外膜性梗阻清楚地显示出来,实现患者的精准分类,指导医生选择合适的手术方案。     

远程胎儿监护的临床应用

远程胎儿监护是应用互连网及计算机技术，孕妇在家中或远程监护终端将胎心监护图形传输到中央监护站，医生即可通过电脑或手机APP远程判读。对高危孕妇实行远程监护，便于及时发现胎儿宫内缺氧情况和及时处理，改善围产儿结局。     

3D打印技术在复杂胫骨平台骨折手术中的临床应用研究

目的探析在复杂胫骨平台骨折手术中应用3D打印技术的临床效果。方法40例复杂胫骨平台骨折患者作为研究对象,依据手术治疗方案的不同分为常规手术组及3D模型组,各20例。常规手术组治疗中做好常规术前准备并进行传统手术治疗,3D模型组术前则通过3D模型进行术前规划并做好常规术前准备,依据术前规划开展手术治疗。对比两组患者的手术指标(手术时间、术中出血量、术中透视次数),术前及术后6个月的膝关节功能(HSS)评分,术后并发症发生情况。结果3D模型组手术时间短于常规手术组,术中出血量与术中透视次数少于常规手术组,差异具有统计学意义(P<0.05)。术后6个月,两组患者的HSS评分均较本组术前升高,且3D模型组升高程度优于常规手术组,差异均具有统计学意义(P<0.05)。3D模型组并发症发生率5.00%低于常规手术组的40.00%,差异具有统计学意义(P<0.05)。结论在复杂胫骨平台骨折手术中应用3D打印技术,可促进疗效提升,为患者膝关节功能的恢复提供帮助。     

脑弥漫性轴索损伤影像学研究进展

脑弥漫性轴索损伤(DAI)是一种原发性闭合性脑损伤,常引起脑功能障碍、严重者致残甚至死亡。其临床表现往往较重且缺乏特异性,尤其是在早期,因此及时、准确地诊断DAI越来越为临床所重视。但目前常规的影像学检查未能及时发现或发现了却低估了DAI,相信随着医学的进步,医学影像检查新技术、新方法的飞速发展,对DAI的影像学认识有了很大进步。     

深度学习技术在医学影像中的应用

近十年来,人工智能(artificial intelligence,AI)在医学领域发展迅速,很大程度上得益于机器学习(machine learning,ML)技术的发展与进步,而机器学习也成为医学领域创新的新引擎。医学成像领域中,机器学习对图像重组、病变分割、计算机辅助检测(computer-aided detection,CADe)和诊断(computer-aided diagnosis,CADx)等方面的优化产生了积极影响[1,2]。与传统的医学图像分析技术相比,机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能。