深度学习重建联合Smart去金属伪影算法在口腔金属植入物患者头颈CT血管成像中的应用

目的:探讨深度学习重建(DLR)联合Smart去金属伪影(MAR)算法在口腔金属植入物患者头颈CT血管成像(CTA)中的应用价值。方法:选择郑州大学第一附属医院2023年2月至6月口腔有不可拆卸金属植入物行头颈CTA的患者70例,采用以下3种方法重建图像:基于混合模型的自适应迭代重建(ASIR-V)50%算法(IR),ASIR-V50%联合Smart MAR算法(IR-S),高水平DLR联合Smart MAR算法(DLR-S)。测量不受伪影影响的颈内动脉C1段和头夹肌感兴趣区CT值的标准差(SD)2和SD4,作为图像噪声指标;计算颈内动脉C1段和舌部的金属伪影指数(AI)1和AI2;对颈内动脉C1段和口腔整体图像质量进行主观评分。结果:与IR组和IR-S组比较,DLR-S组SD2和SD4降低(P<0.05)。与IR组比较,IR-S组和DLR-S组AI1、AI2降低;与IR-S组比较,DLR-S组AI1、AT2降低(P<0.05)。与IR组比较,IR-S组和DLR-S组口腔整体和颈内动脉C1段图像质量主观评分均增高;与IR-S组比较,DLR-S组图像质量主观评分增高(P<0.05),9例患者舌部可见新的伪影。结论:Smart MAR联合DLR可减少口腔植入物造成的金属伪影,提高头颈CTA图像质量。但Smart MAR可能引入新的伪影,需联合未加入Smart MAR的图像进行分析。

基于过程间动态符号执行的C语言测试框架

针对C语言白盒测试用例自动生成问题,提出一套基于过程间的动态符号执行框架,建立基于Def-Use链和函数执行树的模型。以函数为单位进行约束收集,解决函数调用中实参和形参的符号统一问题;对过程间动态符号执行的SMART(systematic modular automated random testing)算法进行改进,利用其计算和使用函数摘要,提高动态符号执行的效率和可行性。该方案为C语言过程间测试自动化工具的实现提供了详细的解决方案。

基于强化学习的订单生产型企业的订单接受策略

针对订单生产型企业在订单接受决策过程中的不确定性,基于强化学习的思想,在考虑生产成本、延迟惩罚成本以及拒绝成本的前提下,引入顾客等级这一要素,从收益管理的角度建立了基于半马尔可夫决策过程的订单接受模型.在此基础上,提出了基于SMART算法的最优订单接受策略求解方法,旨在最大化订单生产型企业的长期利润.仿真实验结果表明:基于SMART算法得到的订单接受策略要优于基于先来先服务方法得到的订单接受策略;同时,针对考虑顾客等级的仿真实验及数据分析结果,也验证了引入顾客等级这一要素的必要性和重要性.