目的分析卵巢附件报告和数据系统(ovarian-adnexal reporting and data system,O-RADS)在卵巢肿瘤良恶性鉴别中的诊断效能,并与不同级别超声医生诊断卵巢良恶性肿瘤进行比较,评价O-RADS系统在临床中的应用价值。方法回顾性分析2019年1月...目的分析卵巢附件报告和数据系统(ovarian-adnexal reporting and data system,O-RADS)在卵巢肿瘤良恶性鉴别中的诊断效能,并与不同级别超声医生诊断卵巢良恶性肿瘤进行比较,评价O-RADS系统在临床中的应用价值。方法回顾性分析2019年1月至2022年6月就诊于首都医科大学附属北京天坛医院的卵巢肿瘤患者200例,分别由一名高年资超声医生和一名低年资超声医生对图像进行良恶性判读,由另外两名经过培训的低年资超声医生参考O-RADS系统进行分类,两名医生意见有分歧时,两人商议得出最终结果,以病理结果为金标准,计算并比较低年资医生、高年资医生及O-RADS分类诊断卵巢肿瘤良恶性的灵敏度、特异度、阳性预测值、阴性预测值、正确率及与病理诊断之间的一致性,即Kappa值。结果200例患者共222个卵巢肿瘤中,病理诊断为良性者147个、病理诊断为恶性者75个。高年资医生诊断的灵敏度89.3%,特异度93.1%,阳性预测值87.0%,阴性预测值94.4%,正确率91.8%,Kappa值0.82;低年资医生诊断的灵敏度为73.3%,特异度为80.9%,阳性预测值66.2%,阴性预测值为85.6%,正确率78.4%,Kappa值0.53。以病理结果为金标准绘制受试者工作特征(receiver operating characteristic,ROC)曲线,O-RADS系统诊断卵巢肿瘤良恶性的曲线下面积(area under the curve,AUC)为0.892,以O-RADS>3类作为诊断肿瘤良恶性的最佳截断值,O-RADS系统诊断卵巢肿瘤良恶性灵敏度为93.3%,特异度为81.6%,阳性预测值72.1%,阴性预测值为96.0%,正确率85.5%,Kappa值0.70。结论O-RADS在鉴别卵巢肿瘤良恶性中具有较好的诊断效能,可以作为低年资医生判断卵巢肿瘤良恶性的有用工具,当应用O-RADS系统遇到分类困难或难以确定的病例时,仍然要转诊到高年资医生进行会诊。展开更多
为了提高光伏/温差联合发电系统的效率,需要进行最大功率点跟踪(Maximum Power Point Tracking,MPPT)控制。针对传统电导增量法步长固定不变导致跟踪速度慢和稳态误差大的缺点,该研究提出一种恒定电压法和双曲正切型自适应变步长算法结...为了提高光伏/温差联合发电系统的效率,需要进行最大功率点跟踪(Maximum Power Point Tracking,MPPT)控制。针对传统电导增量法步长固定不变导致跟踪速度慢和稳态误差大的缺点,该研究提出一种恒定电压法和双曲正切型自适应变步长算法结合的MPPT控制策略。该策略利用双曲正切函数单调递增、变化速度快的特点,使步长可以根据光强等外界环境条件的变化,自适应地快速调整,同时利用恒定电压法加快追踪的响应速度。Matlab/Simulink软件仿真和硬件试验表明,该研究所提方法在光照强度剧烈变化时,系统能够在15 ms内快速跟踪到最大功率点,同时稳态误差低于0.3%,实现了MPPT控制在跟踪速度和稳态精度方面的同步优化。展开更多
为充分利用猪肉光谱与图像信息,实现猪肉肌红蛋白含量的在线检测,该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像,通过ENVI5.3选择图像感兴趣区域(Region Of Interest,RO...为充分利用猪肉光谱与图像信息,实现猪肉肌红蛋白含量的在线检测,该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像,通过ENVI5.3选择图像感兴趣区域(Region Of Interest,ROI),分别提取ROI平均光谱信息与主成分图像信息。利用卷积自动编码器(Convolutional Auto Encoder,CAE)提取光谱与图像信息深度特征,分别建立光谱特征、图像特征及图-谱融合特征与肌红蛋白含量之间关系的卷积神经网络(Convolutional Neural Network,CNN)预测模型。其中基于融合深度特征CNN预测模型准确度较高,该模型对脱氧肌红蛋白(DeoMb)、氧合肌红蛋白(OxyMb)、高铁肌红蛋白(MetMb)含量预测集决定系数R_(p)^(2)分别为0.9645、0.9732、0.9585,预测集均方根误差RMSEP分别为0.0158、0.2266、0.3816。为进一步验证图-谱融合特征与猪肉肌红蛋白存在对应关系,分别建立偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量机回归(Support Vector Regression,SVR)预测模型。结果表明:CAE能充分提取图像与光谱特征;基于融合特征建立回归模型能提高肌红蛋白含量预测精度,相比于光谱信息与图像信息,以MetMb为例,其2 P R分别提高5.42%、16.12%。该检测方法为肉类质量在线检测提供参考,具有好的应用前景。展开更多
文摘目的分析卵巢附件报告和数据系统(ovarian-adnexal reporting and data system,O-RADS)在卵巢肿瘤良恶性鉴别中的诊断效能,并与不同级别超声医生诊断卵巢良恶性肿瘤进行比较,评价O-RADS系统在临床中的应用价值。方法回顾性分析2019年1月至2022年6月就诊于首都医科大学附属北京天坛医院的卵巢肿瘤患者200例,分别由一名高年资超声医生和一名低年资超声医生对图像进行良恶性判读,由另外两名经过培训的低年资超声医生参考O-RADS系统进行分类,两名医生意见有分歧时,两人商议得出最终结果,以病理结果为金标准,计算并比较低年资医生、高年资医生及O-RADS分类诊断卵巢肿瘤良恶性的灵敏度、特异度、阳性预测值、阴性预测值、正确率及与病理诊断之间的一致性,即Kappa值。结果200例患者共222个卵巢肿瘤中,病理诊断为良性者147个、病理诊断为恶性者75个。高年资医生诊断的灵敏度89.3%,特异度93.1%,阳性预测值87.0%,阴性预测值94.4%,正确率91.8%,Kappa值0.82;低年资医生诊断的灵敏度为73.3%,特异度为80.9%,阳性预测值66.2%,阴性预测值为85.6%,正确率78.4%,Kappa值0.53。以病理结果为金标准绘制受试者工作特征(receiver operating characteristic,ROC)曲线,O-RADS系统诊断卵巢肿瘤良恶性的曲线下面积(area under the curve,AUC)为0.892,以O-RADS>3类作为诊断肿瘤良恶性的最佳截断值,O-RADS系统诊断卵巢肿瘤良恶性灵敏度为93.3%,特异度为81.6%,阳性预测值72.1%,阴性预测值为96.0%,正确率85.5%,Kappa值0.70。结论O-RADS在鉴别卵巢肿瘤良恶性中具有较好的诊断效能,可以作为低年资医生判断卵巢肿瘤良恶性的有用工具,当应用O-RADS系统遇到分类困难或难以确定的病例时,仍然要转诊到高年资医生进行会诊。
文摘为了提高光伏/温差联合发电系统的效率,需要进行最大功率点跟踪(Maximum Power Point Tracking,MPPT)控制。针对传统电导增量法步长固定不变导致跟踪速度慢和稳态误差大的缺点,该研究提出一种恒定电压法和双曲正切型自适应变步长算法结合的MPPT控制策略。该策略利用双曲正切函数单调递增、变化速度快的特点,使步长可以根据光强等外界环境条件的变化,自适应地快速调整,同时利用恒定电压法加快追踪的响应速度。Matlab/Simulink软件仿真和硬件试验表明,该研究所提方法在光照强度剧烈变化时,系统能够在15 ms内快速跟踪到最大功率点,同时稳态误差低于0.3%,实现了MPPT控制在跟踪速度和稳态精度方面的同步优化。
文摘为充分利用猪肉光谱与图像信息,实现猪肉肌红蛋白含量的在线检测,该研究提出一种基于深度学习模型的猪肉肌红蛋白含量无损检测方法。采用高光谱设备采集冷藏过程中猪肉高光谱图像,通过ENVI5.3选择图像感兴趣区域(Region Of Interest,ROI),分别提取ROI平均光谱信息与主成分图像信息。利用卷积自动编码器(Convolutional Auto Encoder,CAE)提取光谱与图像信息深度特征,分别建立光谱特征、图像特征及图-谱融合特征与肌红蛋白含量之间关系的卷积神经网络(Convolutional Neural Network,CNN)预测模型。其中基于融合深度特征CNN预测模型准确度较高,该模型对脱氧肌红蛋白(DeoMb)、氧合肌红蛋白(OxyMb)、高铁肌红蛋白(MetMb)含量预测集决定系数R_(p)^(2)分别为0.9645、0.9732、0.9585,预测集均方根误差RMSEP分别为0.0158、0.2266、0.3816。为进一步验证图-谱融合特征与猪肉肌红蛋白存在对应关系,分别建立偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量机回归(Support Vector Regression,SVR)预测模型。结果表明:CAE能充分提取图像与光谱特征;基于融合特征建立回归模型能提高肌红蛋白含量预测精度,相比于光谱信息与图像信息,以MetMb为例,其2 P R分别提高5.42%、16.12%。该检测方法为肉类质量在线检测提供参考,具有好的应用前景。