大学生智能订饭系统研究

打破食堂现有经营模式及信息差,为食堂接入独有的订餐模式,如评论功能、在线充值ID卡、线下及线上支付等。在每天不断的现金流中隐藏的就是巨大的融资能力,配合后续可以开发的许多推广功能,就可以让一成不变的食堂充满活力。

肾脏CT容积纹理分析及机器学习相结合的影像组学评价肾透明细胞癌病理分级的价值初探

目的 探讨基于肾脏CT容积纹理分析及机器学习相结合的影像组学评价肾透明细胞癌（ccRCC）病理分级的价值.方法 回顾性分析2013年6月至2017年10月安徽医科大学第一附属医院,经手术病理证实且能确定病理分级,术前行肾脏CT平扫及三期增强扫描（皮髓期、实质期、分泌期）的34例患者.采用美国3DQI体积图像分析平台在皮髓期CT图像上进行病变ROI的勾画与分割,以皮髓期图像为参考使用非刚性配准法校正CT的多期图像.应用59个CT容积纹理特征（直方图特征、梯度特征、游程程度、灰度共生矩阵、形状特征、二阶矩特征）对上述4期图像中的病变进行随机森林分类的训练和测试.对肾脏病变进行病理分级,根据Fuhrman标准分为4级,Ⅰ级＋Ⅱ级为低级别组,Ⅲ级＋Ⅳ级为高级别组.使用随机森林周围的一种特征选择包装算法Boruta算法进行特征的筛选,采用10次交叉验证方法结合ROC法对上述RF分类的性能进行验证,并计算特异度和敏感度.结果 34例ccRCC中,Fuhrman分级Ⅰ级3例、Ⅱ级19例、Ⅲ级8例、Ⅳ级4例.皮髓期的峰度（KURT）和长游程优势特征（LRE）是ccRCC分级具有显著性的2个特征.以KURT和LRE作为影像组学特征,使用RF算法进行10倍交叉验证的学习,ROC下面积为0.88,最佳点的敏感度为0.79,特异度为0.82.低、高级别组KURT的统计值分别为（-20.00±22.00）×10^-2和（31.00±32.00）×10^-2,LRE分别为（3.00± 0.40）×10^-2和（5.00±0.02）×10^-2,在均数±标准差的统计范围内,影像组学特征可以区分低、高级别肿瘤.4期图像综合分析中（236个特征参数）,峰度（皮髓期）、灰度共生矩阵同质性特征1（分泌期）及灰度共生矩阵同质性特征2（分泌期）是具有显著性的3个特征.灰度共生矩阵同质性1（分泌期）及灰度共生矩阵同质性2（分泌期）平均值在低级别组为（19.00±0.03）×10^-2和（11.00±0.02）×10^-2,高级别组分别为（22.00±0.03）×10^-2和（14.00±0.02）×10^-2.ROC曲线下面积为0.92,最佳点的敏感度为0.93,特异度为0.87.结论 基于肾脏CT容积纹理分析及机器学习相结合的影像组学可以进行ccRCC术前病理分级预测.

肾透明细胞癌CT征象与Fuhrman病理分级的对照研究

目的探究肾透明细胞癌的CT征象预测其病理分级的价值。方法回顾性分析安徽医科大学第一附属医院2012年1月~2017年6月共70例临床资料完整、经手术病理证实为肾透明细胞癌患者的影像学资料。依据手术Fuhrman病理结果,将肿瘤分为Ⅰ、Ⅱ、Ⅲ、Ⅳ级。Ⅰ级与Ⅱ级合并为低级别组,共39例,Ⅲ级与Ⅳ级合并为高级别组,共31例。观察肿瘤的CT征象,包括直径、形态、平扫密度、是否存在完整假包膜以及增强扫描动脉期绝对强化值、排泄期强化衰减值等特点,与Fuhrman病理分级结果进行统计学分析。探讨肾透明细胞癌的CT征象对预测其病理分级的价值。结果低级别组与高级别组肿瘤的平均直径分别为(5.03±1.27)cm、(6.92±1.56)cm,平扫密度不均匀肿瘤分别有29例、31例,有完整包膜肿瘤分别有34例、13例,增强扫描绝对强化值分别为(74.73±23.14)HU、(35.19±8.65)HU,强化衰减值分别为(56.89±16.84)HU、(20.69±15.95)HU,差异均有统计学意义(P<0.05)。低级别组与高级别组形状不规则的肿瘤分别有11例、18例,差异无统计学意义(P>0.05)。结论肾透明细胞癌的直径、平扫密度的均匀性、有无完整包膜、增强扫描绝对强化程度及强化衰减程度等CT征象,有助于术前评价肾透明细胞癌的Fuhrman病理分级。