积雪草酸通过激活Nrf2抗氧化通路抑制自发性高血压大鼠心肌纤维化

目的探讨积雪草酸(asiatic acid,AA)对自发性高血压大鼠(spontaneous hypertensive rats,SHRs)心肌纤维化的拮抗作用及其可能的分子机制。方法动物分为4组:对照组(Wky)、SHRs组、SHRs+AA组(SHRs+AA 20 mg^(-1)·kg^(-1)·d-1)、AA组(Wky+AA 20 mg^(-1)·kg^(-1)·d^(-1)),每组10只。天狼星红染色法观察胶原蛋白沉积水平;比色法测定各组氧化应激水平;Western blot法测定相关蛋白表达。结果AA能有效减少心肌胶原蛋白沉积,以及PAI-1、CTGF、Collagen I、FN的表达,提高血清中SOD、T-AOC活性,并降低MDA含量,增强心肌组织Akt、GSK-3β磷酸化,抑制Fyn核转位;提高Nrf2活性,并增加NQO1、HO-1蛋白表达。结论AA能有效抑制SHRs心肌纤维化,其机制可能通过激活Nrf2诱导的抗氧化通路,上调心肌组织抗氧化活性,进而减少氧化应激产物形成。

左心耳容积与心房颤动射频消融术后复发的关系

目的探讨左心耳容积与心房颤动(房颤)射频消融术后复发的关系。方法采用回顾性分析的方法,选取2014年6月至2016年6月于郑州大学第一附属医院心血管内科行首次房颤射频消融术的患者66例,收集患者临床资料,并进行随访,根据随访1年的结果分为房颤消融术后复发组(n=18例)和未复发组(n=48例)。所有患者术前常规行64层螺旋CT扫描,测量左心房容积及左心耳容积。比较两组患者一般资料,实验室检查、心脏彩超指标、左心房CT指标的差异,采用多因素Logistic回归分析其与房颤射频消融术后复发的关系。结果两组间的性别、年龄、高血压、冠心病等常见疾病、血脂、左心室射血分数差异无统计学意义(P>0.05),房颤消融术后复发组左心耳容积及左心房容积均较未复发组大(P<0.05)。左心耳容积(OR=1.518,95%CI:1.151~2.000,P=0.003)可作为房颤术后复发的独立危险因素,左心耳容积预测房颤射频消融术后复发的ROC曲线下面积为0.806(95%CI:0.689~0.922,P<0.001)。结论无论对于阵发性房颤或持续性房颤,较大的左心耳容积是房颤复发的独立危险因素。

儿童获得性再生障碍性贫血免疫抑制治疗效果的相关影响因素分析

目的探讨儿童获得性再生障碍性贫血免疫抑制治疗(IST)效果的相关影响因素。方法回顾性分析112例接受IST的再生障碍性贫血患儿的临床资料,据随访6个月的疗效分为有效组(64例)和无效组(48例),统计分析患儿一般资料、实验室检查结果、骨髓造血面积与IST效果的相关性。结果多因素结果分析,高水平的骨髓造血面积(OR=4.387,95%CI:1.045～18.425,P=0.043)和高水平的网织红细胞绝对值计数(Ret)(OR=5.509,95%CI:1.324～22.915,P=0.019)是儿童获得性再生障碍性贫血IST有效的独立保护因素,两者预测再生障碍性贫血IST效果的曲线下面积分别为0.772(95%CI:0.629～0.915,P<0.001)、0.726(95%CI:0.591～0.862,P=0.003)。结论高水平的骨髓造血面积及高水平的Ret均是IST儿童再生障碍性贫血有效的独立保护因素。

尿标本微生物检验采样过程存在的问题及控制措施

目的：研究尿标本微生物检验采样过程中存在的问题以及控制措施，为临床诊断和治疗预后判断提供可靠依据。方法本文采取回顾性方法进行研究。抽取我院2012年1～6月实验室微生物检测尿标本300例，进行分析研究。总结尿标本采集过程中的问题，并制定控制措施。结果300例中有18例尿样出现问题，发生率6%。其中1例（5.56%）送检时间不及时，4例（22.22%）尿样留取量不足，13例（72.22%）标本被污染。受污染尿样中，2例（15.38%）未使用无菌尿杯采集，1例（7.69%）患者未留取中段尿，2例（15.38%）患者留取尿样前未进行会阴部和尿道口清洗，8例（61.54%）是由于护理人员采集尿样操作不规范。结论总结尿标本采样过程中问题，进行针对性整改，为临床提供可靠微生物检验结果。

不同临床标本微生物检验的阳性率比较分析

目的分析不同临床标本微生物检验的阳性率。方法选取我院1 000份临床标本资料进行回顾性分析。结果与2011-2012年相比,2010-2011年患者的临床标本微生物检验的阳性率明显降低。结论分析临床标本微生物检验的阳性率,能够帮助临床对疾病病因的诊断,有利于医护人员进行诊断治疗,促进患者康复,为医院各科室的工作提供重要的参考价值。

基于卷积神经网络的排水管道缺陷智能检测与分类

针对传统排水管道缺陷检测中需要消耗大量人力的问题,基于人工智能算法——卷积神经网络(CNN),建立自动检测和评估排水管道缺陷的智能系统。对CCTV视频图像中六种常见的管道状态(裂缝、错口、障碍物、残墙坝根、树根和正常类别)进行模型学习、训练和测试。CNN模型训练和验证的正确率分别为100%和97%,六类管道状态的平均识别准确率达到90%,证明所构建的模型在不需要相关检测专业知识的情况下,可以很好地识别本研究中的管道缺陷类型。其中,CNN模型对树根和错口的检测具有较高置信度,其次是残墙坝根和裂缝,障碍物和正常类别的分类精度最低。深度学习在排水管道缺陷自动检测领域具有可行性,模型具有良好的泛化能力,可为管道缺陷检测提供科学、准确的检测工具。

基于Deeplabv3+的排水管道缺陷检测与语义分割

传统计算机视觉技术应用于排水管道缺陷检测和评估,存在识别类型单一、时效性差、判断准确率低等问题,无法满足现代排水管道多缺陷共存、实时性强和精准检测的需求。近年来兴起的深度学习神经网络技术,具有强大的数据特征学习和处理能力。为此,提出了基于Deeplabv3+卷积神经网络的管道缺陷检测及语义分割方法,实现对排水管道缺陷的多类型检测、空间定位和几何属性分割。分别比较了ResNet-18、ResNet-50、Mobilenet_v2、Xception和InceptionResnet_v2这5类骨架特征提取网络对缺陷检测和语义分割的影响作用。结果表明,ResNet-50的识别分割性能优于其他网络,准确率达到89.8%,平均交并比和加权交并比分别为53.2%和83.9%,分割速率为12.50帧/s。这为排水管道缺陷的智能检测与分割提供了新的技术支撑和手段。

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络(StyleGAN),提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型(SqueezeNet网络)实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%(对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%)。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。