基于完全融合集成网络候选框的肋骨骨折检测方法

目的 提出一种新型的肋骨骨折检测网络Rib-Net，探讨其进行肋骨骨折检测的可行性与准确性，以减少骨折漏诊案例。 方法 采用公开数据集RibFrac Dataset，其数据集划分为训练集（420例）、验证集（80例）及测试集（160例）。Rib-Net由目标检测集成网络ED-Net、完全候选框融合算法（CBF）与分割模型3D Unet构成。首先，集成Retina Unet、UFRCNN+与Mask RCNN组成ED-Net，预测肋骨骨折候选框；其次，设计全新的CBF，融合存在重叠的骨折候选框，生成定位精准、置信度准确的候选框；最后，利用Unet对肋骨骨折进行分割，实现肋骨骨折的进一步精确定位。 结果 在“MICCAI 2020 RibFrac Challenge: Rib Fracture Detection and Classification”挑战赛平台上，Rib-Net检测结果达到了最优成绩，其召回率、无限制接受者操作特性曲线（FROC）值及Dice相似指数分别为92.3%，0.859和0.61。 结论 Rib-Net网络可高效精准地对胸部CT影像进行肋骨骨折检测定位，有效协助医生做出准确诊断。     

神经导航术中脑组织变形线弹性模型的建立

目的 纠正神经导航手术中的脑组织变形,提高导航手术的精确性.方法 通过有限元方法,构建猪脑组织的线弹性模型.在开颅手术中,通过三维激光扫描获取脑皮层表面的变形,以此作为边界条件,驱动模型,模拟全脑变形情况.并以植入猪脑内的聚甲基内烯酸甲酯微粒为标志点,通过术中实时磁共振扫描获得的脑袋组织实际变形数据对该模型进行验证.结果 该模型的预测误差0.20～1.54mm,平均(0.97±0.44)mm;校正精度56.5%～90.0%,平均(68.0±9.6)%.其中对浅表标志点位移的校正精度高于对深部标志点位移的校正精度[(70.7±9.1)%:(65.4±10.8)%,P＜0.05].结论 模型校正技术是一种简便、快速、可靠的纠正术中脑变形的途径.     

脑组织牵拉变形矫正的XFEM建模及其验证

脑组织牵拉变形严重影响神经导航系统(IGNS)术中导航的精确性及可靠性.建立脑组织线弹性生物力学模型,利用扩展有限元方法(XFEM)矫正发生牵拉变形的生物力学模型.借助植入脑组织体模内的不锈钢标记物牵拉前后图像中位移定量分析XFEM矫正脑组织牵拉变形的有效性.试验中不同尺寸网格的XFEM系统框架预测误差在0.3 ～0.5 mm之间,平均为0.4 mm;矫正精度在83.1％ ～87.5％之间,平均85.9％.结果表明,该系统框架能够有效矫正脑组织牵拉变形.