2017—2018年成都地区诺如病毒聚集性疫情病原基因型分析

目的 分析2017—2018年成都地区诺如病毒聚集性疫情中病毒基因型构成情况,为疾病防控工作提供依据。方法 选取2017—2018年诺如病毒聚集性疫情标本,对病毒基因RdRp及VP1区片段测序,构建进化树并进行同源性分析。结果 测序结果显示,68份肛拭子标本中 16.2%(11/68)为GⅠ群(包括GⅠ.2、GⅠ.3和GⅠ.5型),83.8%(57/68)为GⅡ群(包括GⅡ.P16-GⅡ.2、GⅡ.P17-GⅡ.17、GⅡ.P8-GⅡ.8、GⅡ.P12-GⅡ.3、GⅡ.P7-GⅡ.6和GⅡ.P15-GⅡ.15型)。2017年以GⅡ.P16-GⅡ.2型为主;2018年GⅠ群及GⅡ.P17-GⅡ.17型均显著增加,同时检出其他4种基因型。各基因型病毒变异不明显,核苷酸同源性为93.4%~100%。结论 2018年成都地区诺如病毒流行株基因型构成较2017年复杂,可能与聚集性疫情增长有关。应持续监测诺如病毒基因型流行情况,及时掌握病毒变异动态,以期提高疾病防控的预警能力。     

深度学习图像重建算法对图像质量的影响：体模研究

【摘要】目的：基于体模研究探讨深度学习图像重建（DLIR）算法的图像质量是否优于传统的自适应统计迭代重建算法（ASIR-V）。方法：使用GE Revolution Apex CT机对分辨率体模（JIS体模）进行常规剂量（CTDI为11.50mGy;A组）和低剂量（CTDI为4.22mGy;B组）扫描。对A组的原始扫描数据采用常规30%权重ASIR-V进行图像重建,B组采用滤波反投影（FBP）、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及不同级别的深度学习重建（DLIR-L、DLIR-M、DLIR-H）算法进行图像重建。在每组重建图像上测量JIS体模试管内各ROI（圆形,大小135mm2）的CT值及其SD（图像噪声）,计算图像的信噪比（SNR）;同时由3位放射科医师对扫描图像的噪声和分辨率（空间分辨率/密度分辨率）两个方面对不同重建算法的图像采用5分法（5分,图像清晰;4分,图像基本清晰;3分,满足临床诊断要求;2分,图像部分勉强辨认;1分,完全不能辨认）进行主观评分。采用单因素方差分析比较不同重建算法图像上测得的CT值、SD及SNR,采用Fleiss Kappa检验比较医师之间主观评分的一致性。结果：B组的CTDI为4.22mGy,较A组（11.50mGy）下降了63.3%。在相同权重迭代算法（30%-ASIR-V）下,低剂量与常规剂量相比图像的SD升高了68.33%,低剂量图像噪声和图像分辨率的主观评分低于常规剂量。在低剂量组中,FBP、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及DLIR-L、DLIR-M、DLIR-H重建图像的SD分别为31.33±2.51、25.21±2.47、19.43±1.76、13.76±1.39和21.33±2.09、21.33±2.09、13.84±1.42,与FBP算法相比,不同权重迭代算法和不同级别的DLIR算法均可减低图像噪声（P<0.05）,且随着ASIR-V权重或DLIR级别的升高,SD值越低。图像分辨率主观评分随着ASiR-V权重的升高而降低,但随着DLIR级别的升高而升高。与FBP、30%-ASIR-V、60%-ASIR-V和DLIR-L、DLIR-M算法相比,DLIR-H算法可显著降低图像噪声（P均<0.05）;DLIR-H算法的图像噪声和分辨率的主观评分高于其它算法（P均<0.05）。结论：应用深度学习重建算法能够提高图像质量（噪声和分辨率）,低剂量扫描结合深度学习图像重建算法,能达到常规剂量扫描的图像质量。