^(18)F-FDG PET图像联合可解释的深度学习影像组学模型对原发性帕金森病和非典型性帕金森综合征的鉴别诊断

目的探究^(18)F-FDG PET图像结合可解释的深度学习影像组学(IDLR)模型在原发性帕金森病(IPD)和非典型性帕金森综合征鉴别诊断中的应用价值。资料与方法本横断面研究纳入2015年3月—2023年2月复旦大学附属华山医院帕金森病PET成像基准数据库330例帕金森病患者的^(18)F-FDG PET图像,其中IPD 211例、进行性核上性麻痹(PSP)59例、多系统萎缩(MSA)60例;包括2个队列(训练组270例和测试组60例)。采集所有受试者的^(18)F-FDG PET图像及临床信息并进行比较。开发一种IDLR提取特征指标,在影像组学特征的监督下从神经网络提取器收集的特征中筛选IDLR特征,并在测试组中构建二分类支持向量机模型,分别计算构建的IDLR模型、传统影像组学模型、标准化摄取值比值模型、深度学习模型在IPD/PSP/MSA组间两两分类的模型性能指标与曲线下面积。采用100次10折交叉验证在2个队列中进行独立分类与测试。通过特征映射展示大脑相关感兴趣区,使用梯度加权类激活图突出大脑中最相关的信息并可视化,检查不同疾病组的模型输出热力图,并将其与临床诊断位置进行比较。结果IDLR模型在不同帕金森综合征患者中分类效果最好,测试组中的曲线下面积(MSA与IPD 0.9357,MSA与PSP 0.9754,IPD与PSP 0.9825)优于其他模型(影像组学模型:Z=1.31~2.96,P均<0.05;标准化摄取值比值模型:Z=1.22~3.23,P均<0.05)。筛选后的IDLR特征映射的影像组学感兴趣区与梯度加权类激活图切片热力图可视化高度一致。结论IDLR模型在^(18)F-FDG PET图像中具备对IPD和非典型性帕金森综合征的鉴别诊断潜力。

基于EtherCAT的多轴伺服控制系统设计

本文针对多轴机械手臂控制中各个轴的同步性差及精确度低的问题,设计了一款基于EtherCAT总线的伺服控制系统。硬件上选用ET1100和GD32F450ZGT6芯片搭建EtherCAT从站,结合软件FOC(磁场定向控制)算法来实现对多个无刷直流电机(BLDCM)同步精准控制。介绍了硬件搭建方法以及软件驱动方案。