目的探讨输尿管软镜联合末端可弯曲输尿管软镜鞘(FTS-UAS)治疗肾结石的临床效果。方法回顾性分析2022年6月—2023年8月陕西中医药大学第二附属医院泌尿外科收治的94例肾结石患者的临床资料。按照不同的手术方案分为对照组(50例,输尿管...目的探讨输尿管软镜联合末端可弯曲输尿管软镜鞘(FTS-UAS)治疗肾结石的临床效果。方法回顾性分析2022年6月—2023年8月陕西中医药大学第二附属医院泌尿外科收治的94例肾结石患者的临床资料。按照不同的手术方案分为对照组(50例,输尿管软镜联合常规鞘)和观察组(44例,输尿管软镜联合FTS-UAS)。观察两组术后1d、3d、4周的结石清除率,统计手术指标、视觉模拟评分法(VAS)、并发症及恢复情况。结果观察组术后1d、3d、4周结石清除率高于对照组(P<0.05)。两组手术时间、术中出血量、血红蛋白下降幅度比较,差异均无统计学意义(P>0.05)。观察组术前、术后1 d VAS评分的差值高于对照组。两组并发症总发生率比较,差异无统计学意义(P>0.05),两组并发症的Clavien分级均为Ⅰ级。观察组术后血尿持续时间短于对照组(P<0.05)。两组住院时间、住院费用比较,差异均无统计学意义(P>0.05)。结论输尿管软镜联合FTS-UAS治疗肾结石具有较高的结石清除率,还可减轻疼痛程度,且不会增加并发症的发生。展开更多
当前基于深度学习的实例检测方法在进行发动机叶片分割时,由于缺少带标注的发动机叶片数据,导致无法充分训练网络模型,仅得到次优的分割结果。为了提升航空发动机叶片实例分割精度,提出了不完整实例引导的航空发动机叶片实例分割方法,...当前基于深度学习的实例检测方法在进行发动机叶片分割时,由于缺少带标注的发动机叶片数据,导致无法充分训练网络模型,仅得到次优的分割结果。为了提升航空发动机叶片实例分割精度,提出了不完整实例引导的航空发动机叶片实例分割方法,通过结合已有的实例分割方法和交互式分割方法,可得到较好的发动机叶片分割结果。首先,使用少量标注数据训练实例分割网络,得到发动机叶片的初步分割结果;其次,将检测到的单个叶片分为前景和背景两部分,通过选择前景种子点和背景种子点,利用交互式分割方法的思想,产生完整的单个叶片的分割结果;依次处理完所有的叶片后,将结果合并得到最终的发动机叶片实例分割结果。使用72张图像训练基于稀疏实例激活图的实时实例分割方法(SparseInst)产生初始的实例分割结果,在56张图像上进行测试。所提方法的全类平均准确率(mAP)比SparseInst的全类平均准确率高5.1个百分点;且它的mAP结果均优于当前流行的实例分割方法MASK R-CNN(MASK Region based Convolutional Neural Network)、YOLACT(You Only Look At CoefficienTs)、BMASKRCNN(Boundary-preserving MASK R-CNN)。展开更多
文摘目的探讨输尿管软镜联合末端可弯曲输尿管软镜鞘(FTS-UAS)治疗肾结石的临床效果。方法回顾性分析2022年6月—2023年8月陕西中医药大学第二附属医院泌尿外科收治的94例肾结石患者的临床资料。按照不同的手术方案分为对照组(50例,输尿管软镜联合常规鞘)和观察组(44例,输尿管软镜联合FTS-UAS)。观察两组术后1d、3d、4周的结石清除率,统计手术指标、视觉模拟评分法(VAS)、并发症及恢复情况。结果观察组术后1d、3d、4周结石清除率高于对照组(P<0.05)。两组手术时间、术中出血量、血红蛋白下降幅度比较,差异均无统计学意义(P>0.05)。观察组术前、术后1 d VAS评分的差值高于对照组。两组并发症总发生率比较,差异无统计学意义(P>0.05),两组并发症的Clavien分级均为Ⅰ级。观察组术后血尿持续时间短于对照组(P<0.05)。两组住院时间、住院费用比较,差异均无统计学意义(P>0.05)。结论输尿管软镜联合FTS-UAS治疗肾结石具有较高的结石清除率,还可减轻疼痛程度,且不会增加并发症的发生。
文摘当前基于深度学习的实例检测方法在进行发动机叶片分割时,由于缺少带标注的发动机叶片数据,导致无法充分训练网络模型,仅得到次优的分割结果。为了提升航空发动机叶片实例分割精度,提出了不完整实例引导的航空发动机叶片实例分割方法,通过结合已有的实例分割方法和交互式分割方法,可得到较好的发动机叶片分割结果。首先,使用少量标注数据训练实例分割网络,得到发动机叶片的初步分割结果;其次,将检测到的单个叶片分为前景和背景两部分,通过选择前景种子点和背景种子点,利用交互式分割方法的思想,产生完整的单个叶片的分割结果;依次处理完所有的叶片后,将结果合并得到最终的发动机叶片实例分割结果。使用72张图像训练基于稀疏实例激活图的实时实例分割方法(SparseInst)产生初始的实例分割结果,在56张图像上进行测试。所提方法的全类平均准确率(mAP)比SparseInst的全类平均准确率高5.1个百分点;且它的mAP结果均优于当前流行的实例分割方法MASK R-CNN(MASK Region based Convolutional Neural Network)、YOLACT(You Only Look At CoefficienTs)、BMASKRCNN(Boundary-preserving MASK R-CNN)。