目的探讨I D H突变和1p/19q共缺失型少突胶质细胞瘤的临床病理特征及预后相关影响因素。方法收集54例IDH突变和1p/19q共缺失型少突胶质细胞瘤病例,分析其临床病理特点,包括年龄、组织学分级和肿瘤部位等因素对无进展生存期和总生存期的...目的探讨I D H突变和1p/19q共缺失型少突胶质细胞瘤的临床病理特征及预后相关影响因素。方法收集54例IDH突变和1p/19q共缺失型少突胶质细胞瘤病例,分析其临床病理特点,包括年龄、组织学分级和肿瘤部位等因素对无进展生存期和总生存期的影响。结果 54例患者中,肿瘤发生于1个脑叶者46例,发生于2个脑叶以上者8例。肿瘤组织学WHO分级2级12例,3级42例。FISH检测显示54例均为1p/19q共缺失;免疫组织化学检测显示Olig2均为弥漫强阳性;GFAP均为阳性;p53有6例强阳性;48例患者ATRX未缺失;Ki-67增殖指数5%~60%。Sanger测序显示54例均发生IDH基因突变(40例为IDH1突变,14例为IDH2突变),33例发生TERT启动子突变。16例在治疗过程中发生复发及转移。单因素分析显示,手术后复发转移间隔时间超过2年可以延长患者无进展生存和总生存期。54例患者平均无进展生存期33.5个月,平均总生存期40.7个月。结论 IDH突变和1p/19q共缺失型少突胶质细胞瘤术后联合精准放化疗降低了进展风险,手术后复发转移间隔时间与该型患者预后相关。展开更多
[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然...[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s(You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss(Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别,可以提升移栽质量测量效率,减少时间和人力投入,提高大田移栽质量调查的自动化程度。展开更多
文摘目的探讨I D H突变和1p/19q共缺失型少突胶质细胞瘤的临床病理特征及预后相关影响因素。方法收集54例IDH突变和1p/19q共缺失型少突胶质细胞瘤病例,分析其临床病理特点,包括年龄、组织学分级和肿瘤部位等因素对无进展生存期和总生存期的影响。结果 54例患者中,肿瘤发生于1个脑叶者46例,发生于2个脑叶以上者8例。肿瘤组织学WHO分级2级12例,3级42例。FISH检测显示54例均为1p/19q共缺失;免疫组织化学检测显示Olig2均为弥漫强阳性;GFAP均为阳性;p53有6例强阳性;48例患者ATRX未缺失;Ki-67增殖指数5%~60%。Sanger测序显示54例均发生IDH基因突变(40例为IDH1突变,14例为IDH2突变),33例发生TERT启动子突变。16例在治疗过程中发生复发及转移。单因素分析显示,手术后复发转移间隔时间超过2年可以延长患者无进展生存和总生存期。54例患者平均无进展生存期33.5个月,平均总生存期40.7个月。结论 IDH突变和1p/19q共缺失型少突胶质细胞瘤术后联合精准放化疗降低了进展风险,手术后复发转移间隔时间与该型患者预后相关。
文摘[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s(You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss(Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别,可以提升移栽质量测量效率,减少时间和人力投入,提高大田移栽质量调查的自动化程度。