基于卷积神经网络的颅内动脉瘤CTA影像判别

目的颅内动脉瘤的诊断有赖于数字减影成像(DSA),计算机扫描造影(CTA)及磁共振血管成像(MRA)等影像手段。目前基于临床影像资料的颅内动脉瘤诊断主要依靠临床医师的经验,然而由于颅内血管结构复杂,人工读片容易造成误诊、漏诊。近年来随着机器学习技术的不断发展,基于人工智能的医学影像处理研究已逐步开展并展现了良好的临床效果。本文基于卷积神经网络(convolutional neutral network,CNN)对头部CTA影像中的颅内动脉瘤人工智能判别方法开展了初步研究。方法现阶段研究中使用从西安交通大学第一附属医院数据库中获取了29例(11 930张切片)具有不同部位颅内动脉瘤患者的CTA影像数据。通过对上述图像进行降噪和标记等前处理,分别构建用于CNN训练的训练集(17组)、验证集(3组)和测试集(9组)。其后在Tensorflow平台构建具有5个卷积层、3个全连接层的CNN(Alex Net)并进行训练。最终将测试集输入训练完成的CNN,对上述神经网络的正确率等指标进行评价。结果与结论测试集中共包含9例(3 652张切片)颅内动脉瘤患者的CTA影像,其中包含动脉瘤本体的CTA影像切片共108张。结果显示,以CTA切片为单位,前述CNN整体准确率89. 51%,对包含动脉瘤瘤体的切片识别率(召回率) 87. 04%;而以病例为单位,9例动脉瘤患者全部成功识别,其识别准确率达100%。上述结果表明,现有的CNN结构在基于CTA影像的颅内动脉瘤病例识别中能够实现极高的准确性,具有广阔的临床应用价值。然而对于动脉瘤所在具体切片的识别精度还有待进一步提高。

高校实验室现场管理研究

由于高校实验室使用频率高、人员流动性大,在现场管理中会面临实验室内空间布局不合理、实验设备点检不到位、实验室运行效率偏低、实验室安全管理隐患多等问题。从实验室常见的问题出发,把"7S"管理的7个要素(整理、整顿、清扫、清洁、素养、安全、节约)应用到实验场所设备及物料管理、人员管理、环境管理中去,并提出在高校实验室推行"7S"管理的组织、制度、宣传教育3个保障措施。最后呈现了山西农业大学城乡建设学院实验室"7S"管理的应用效果,旨在为其他院校实验室现场管理提供一些参考。

基于CT血管成像的计算流体力学方法评估颅内动脉狭窄的可行性分析

回顾性收集2018年11月至2019年5月在东部战区总医院行头颅CT血管成像(CTA)、数字减影血管造影(DSA)及有创血流储备分数(FFR)评估的8例颅内动脉狭窄患者,男7例,女1例,年龄为47~77(59±3)岁。基于患者CTA构建优化三维颅内血管模型,利用流体力学方法计算血流动力学参数。结果显示颅内动脉CT-FFR为0.59±0.18,有创FFR为0.60±0.22,由二者数值推测无创血流动力学分析有潜力用于颅内动脉狭窄生理学意义的评估。