目的:研究快速、精确获取小鼠角膜神经三维(3D)图像及其参数的技术方案。方法:选取SPF级雌性C57BL/6小鼠4只，吸入过量乙醚麻醉后使小鼠安乐死，立即在解剖显微镜下获取具有完整角膜缘的角膜4个，经过常规固定、透膜和抗β-Ⅲ微管蛋白荧光抗体标记后整铺片处理。在高分辨率去卷积显微镜下采用科学互补性金属氧化物半导体探测器捕获图像，通过显微镜系统自携带图像处理软件对图像进行3D去卷积运算，Z轴数据平面投影以及自动拼接处理得到完整的角膜神经纤维3D图像。采用交互式显微图像分析软件Imaris的丝状追踪模块中的自动检测模式获得不同区域的角膜神经密度，采用自动路径模式手动指定计算起始点到终止点的神经纤维长度。结果:在去卷积显微镜60倍油镜下，可以观察到角膜缘处呈密集网络状的基质层神经纤维在角膜缘附近进入前弹力层，并发出密集的分枝，形成基底下神经丛。这些神经丛向角膜中心伸展形成密集的神经网络样结构，在角膜顶点汇聚成漩涡状结构。少部分神经纤维丛垂直进入上皮层，并发出许多微小的神经末梢分枝。采用Imaris软件丝状物追踪模块中的自动检测模式自动统计，发现角膜神经末梢密度从角膜缘的(2 488.88±282.84)μm/μm 2逐渐增多至角膜中央的(5 766.66±298.55)μm/μm 2；角膜基质神经纤维密度从角膜缘的(40.99±0.99)μm/μm 2递减至角膜中央的(34.57±1.28)μm/μm 2。通过自动路径模式手动测量发现，角膜缘处基质层神经纤维进入前弹力层约151 μm处开始分枝形成基底下神经丛。 结论:去卷积显微镜系统可以获得整个角膜神经纤维的3D分布，Imaris图像分析软件可以自动、快速统计待测区域角膜神经纤维的不同参数。

目的:评估基于 18F－FDG PET/CT图像的影像组学融合特征结合极端梯度提升(XGBoost)机器学习模型在乳腺癌人表皮生长因子受体2(HER2)表达状态预测中的价值。 方法:回顾性分析2012年1月至2019年12月于天津医科大学肿瘤医院行 18F－FDG PET/CT检查的210例原发性乳腺癌患者[均为女性；年龄52(46，60)岁；HER2阳性95例，HER2阴性115例]，采用Python 3.7.1软件从HER2阳性组及HER2阴性组分别随机抽取70%作为训练集[147例，其中HER2阳性67例，年龄52(46，60)岁；HER2阴性80例，年龄55(45，62)岁]，30%作为测试集[63例，其中HER2阳性28例，年龄54(43，65)岁；HER2阴性35例，年龄52(45，61)岁]。在CT和PET图像上进行肿瘤分割后，分别提取CT、PET影像组学特征，经后处理获得PET/CT融合特征(包括PET/CT拼接特征和PET/CT平均特征)。建立支持向量机(SVM)模型和XGBoost机器学习模型，输入经特征筛选后保留的特征，用于预测乳腺癌原发灶中HER2的表达状态，并用ROC曲线对模型的预测效能进行评估。采用Delong检验分析不同模型及组学特征的预测效能，并绘制预测效能最高的机器学习模型的校准曲线。 结果:与SVM模型比较，XGBoost模型在输入CT特征、PET特征、PET/CT拼接特征和PET/CT平均特征时均有更佳的预测效能( z值：2.26~3.54, P值：0.016~0.040)。在XGBoost机器学习模型中，PET/CT平均特征预测乳腺癌HER2表达状态的ROC AUC为0.83(95% CI：0.73~0.93)，优于CT特征[0.75(95% CI：0.63~0.88)； z＝3.57， P＝0.027]、PET特征[0.73(95% CI：0.60~0.86)； z＝2.64， P＝0.034]及PET/CT拼接特征[0.74(95% CI：0.60~0.87)； z＝2.49， P＝0.037]。 结论:基于PET/CT影像组学融合特征建立的XGBoost机器学习模型有望用于乳腺癌患者HER2表达状态的预测。

目的:比较脊柱及下肢立位数字化X线摄影成像（DR）图像与经neoimaging（NE）图像拼接软件处理后图像的质量。方法:回顾性分析浙江省台州医院2019年6-12月经脊柱胸腰椎包括髋关节及下肢全长拼接站立位DR检查的患者163例的临床资料。将其常规DR图像为处理前图像，采用NE图像拼接软件处理后的图像为处理后图像，比较两者图像的质量。结果:DR图像质量Ⅰ级91.41%（149/163）、Ⅱ级8.59%（14/163），NE图像拼接软件处理后图像质量Ⅰ级93.87%（153/163）、Ⅱ级6.14%（10/163），NE图像拼接软件处理前、后的DR图像质量等级比较，差异有统计学意义（χ 2=10.220， P=0.001）。 结论:采用NE图像拼接软件可不再受设备限制而对常规脊柱及下肢立位DR图像进行无缝拼接处理，以此能获得更高质量的图像来满足临床诊断的要求，该研究有创新性。

染色体核型分析是遗传学最基础的检测方法，也是诊断染色体病的"金标准"。传统的核型分析需要人工对染色体进行识别。能够熟练识别染色体的教学培训时间较长、内容枯燥，且每个学员对染色体形态的掌握能力差异较大，因此需要对传统的核型分析教学过程进行改进。四川大学华西第二医院产前诊断中心在传统教学的基础上，增加了辅助分析软件拼图核型分析教学。此方法不仅提升了学员对于核型分析实践操作中兴趣和能力，使其能够在短时间内牢记正常染色体的特征区带，并且通过对大量核型图像的学习，增强了对染色体异常的识别能力。

目的：:利用图像拼接方法对不同程度干眼症患者角膜上皮基底神经丛进行定量分析，探讨其变化规律。方法：:横断面研究。选取2021年4—10月于山西省眼科医院门诊就诊的干眼症患者共91例（91眼），其中轻度干眼34例、中度干眼33例、重度干眼24例，同时征集正常健康志愿者作为对照组共27例（27眼），所有受检者均选择右眼数据分析，对所有受检者分别行常规眼科检查、眼表综合分析仪检查、角膜共焦显微镜检查后，运用Photoshop CC 2018图像处理软件合成大范围角膜上皮基底细胞层下神经丛（SNP）结构拼图，截取以涡状结构为中心的、大小为700 μm×700 μm的图像进行分析，结合Image J图像分析系统计算得出图像中神经纤维总长度（NFL），将所得数据通过图像大小与像素之间的换算关系计算出单位面积（1 mm 2）的神经纤维总长度值即神经纤维密度值（mm/mm 2）。采用单因素方差分析对各组数据进行比较，同时对两两之间进行LSD多重比较；采用Pearson线性相关分析各组角膜SNP密度与眼表综合分析检查中各项指标间的相关性。 结果：:4组间性别、年龄比较差异无统计学意义。对照组SNP密度为（22.71±6.19）mm/mm 2，轻度干眼组为（28.58±5.19）mm/mm 2，中度干眼组为（28.17±4.71）mm/mm 2，重度干眼组为（5.98±7.32）mm/mm 2，4组SNP密度总体差异有统计学意义（ F=88.10， P<0.001）；轻、中、重度干眼SNP密度与对照组差异均有统计学意义（均 P<0.001），轻度干眼组与中度干眼组间差异无统计学意义，重度干眼组与轻、中度干眼组间差异均有统计学意义（均 P<0.001）。干眼症患者角膜SNP密度与泪河高度、睑板腺缺失面积评分（上+下）及眼表充血评分之间无明显相关性，与非侵入性泪膜破裂时间呈正相关（ r=0.51， P<0.001），与脂质层分级、角膜荧光素钠染色分级呈负相关（ r=-0.30， P=0.004； r=-0.68， P<0.001）。 结论：:角膜SNP密度及形态改变与干眼症的严重程度分级有关，可作为临床评估干眼程度的有效指标。

目的:对比分析T 1WI_Star_VIBE_FS序列在头颈部肿瘤患者MR定位中不同扫描方式对图像质量、信噪比、对比噪声比等参数的影响，确定优选扫描方式。 方法:回顾性分析78例头颈部MR定位患者，分别采用组织补偿法(A组23例)、分段扫描拼接法(B组18例)和二者结合法(C组37例)进行增强扫描，对比上述3种扫描方式获取的图像质量、颈前部软组织信噪比(SNR)和对比噪声比(CNR)的差异。结果:C组扫描方式可获取较高的图像质量评分；3种扫描方式获取图像的SNR的平均值分别为214.70±148.78、91.95±59.26、307.61±127.80；CNR的平均值分别为208.74±148.27、85.79±59.50、301.58±127.48；C组在图像质量评分、SNR和CNR方面均明显优于A、B组( P<0.01)。 结论:推荐使用组织补偿和分段拼接扫描相结合方式作为头颈部肿瘤放疗MR定位的优选扫描方式。

目的：:探讨使用活体共聚焦显微镜（IVCM）角膜神经图像拼接方法分析干眼患者角膜神经形态特点及其与干眼临床指标的相关性。方法：:系列病例研究。收集2021年1─5月于北京大学人民医院眼科就诊的干眼患者16例（16眼）。所有患者均进行无创伤泪河高度（NITMH）、无创伤泪膜破裂时间（NITBUT）、荧光素染色泪膜破裂时间（TBUT）、角膜荧光素染色（FL）评分、睑板腺缺失比例、基础泪液分泌试验（SⅠT）、IVCM等检查。分别使用传统方法和新的拼接图像处理方法分析患者角膜上皮下神经图像面积、神经总长度、神经密度、平均神经长度、最长神经长度、最短神经长度、神经数量、神经数量密度等指标。纳入右眼数据进行分析。2种方法间角膜神经分析的数据比较采用wilcoxon秩和检验。干眼临床指标与角膜神经分析数据的相关性采用Spearman相关性分析。结果：:新的拼接图像分析方法在角膜上皮下神经图像面积、神经总长度、神经密度、平均神经长度、最长神经长度、神经数量方面均明显大于传统分析方法（均 P<0.05）；最短神经长度较传统分析方法短（ P<0.001）；神经数量密度较传统方法比较差异无统计学意义。使用传统分析方法时，NIKBUT与平均神经长度、神经数量、神经数量密度均有相关性（ r=0.52， P=0.037； r=-0.62， P=0.011； r=-0.62， P=0.011），其余干眼指标与角膜神经指标均无相关性。而使用拼接图像分析方法时，NIKBUT与平均神经密度呈负相关（ r=-0.56， P=0.025），其余干眼指标与角膜神经指标均无相关性。 结论：:相比传统分析方法，新的拼接图像分析方法可获得更大角膜神经分析面积。2种分析方法的角膜神经分析结果不同，部分干眼指标与角膜神经分析结果的相关性也不同。新的共聚焦显微镜图像拼接分析方法能够更准确、更可靠地评估干眼患者角膜上皮下神经情况。

目的:评价基于压缩感知技术的三维全脊柱MRI检查图像质量和对脊柱侧弯患儿病变诊断的准确性.方法:连续纳入16岁以下、因脊柱侧弯行全脊柱三维MRI检查的患者,统计患儿有无脊椎、脊髓病变和病变类型等.对三维MRI图像质量进行评价,将重建矢状位胸椎T2WI图像与随机选取的常规胸椎二维图像的信噪比(SNR)和对比噪声比(CNR)进行比较.结果:本研究共纳入患者43例,女性28例,男性15例,中位年龄9.5(5.4,14.7)岁,右胸弯者居多.三维MRI两段拼接扫描中位时间为18 min 45 s(16 min 24 s,19 min 5 s),三段拼接扫描中位时间27 min 16 s(25 min 43 s,28 min 4 s),发现脊椎和脊髓病变病例12例.三维MRI图像质量平均分为4.2(3.9,4.5),SNR为8.1(7.3,9.4),CNR为2.6(0.8,4.3),常规二维胸椎MRI图像的SNR为3.7(2.3,4.9),CNR为2.2(0.6,3.3),三维MRI图像的SNR高于常规二维检查(Z=-2.959,P=0.002),而两者图像的CNR无明显差别(Z=-0.624,P=0.569).结论:全脊柱三维MRI扫描序列检查时间短,可清晰、全景显示脊柱侧弯患儿脊柱脊髓病变.

数字化口内扫描是近年口腔数字化技术的研究热点,成为口腔正畸、修复、种植的重要技术.数字化口内扫描的精确度和数据资料采集拼接的准确性是保证数字印模成功和加工制作效果的关键;而扫描仪特性、成像原理以及操作者扫描方式、扫描对象、口腔组织特殊性、修复设计方案等均会影响数据采集的准确性.仍有诸多操作者对于如何鉴别不同修复设计的扫描策略、扫描轨迹、如何减少数字化扫描误差等认识不足,且目前国内外学者关于数字化口内扫描技术尚未形成统一标准与共识.为了更好地帮助操作者应对口内扫描中遇到的难题,提高数字化扫描质量,本文集合了参与专家的共同意见,通过对现有证据的归纳鉴别,阐述数字化口内扫描误差的原因与应对方法,掌握不同口腔印模需求下的扫描策略.本专家共识认为,基于影响数字化口内扫描精度及扫描图像重现效果受诸多因素的影响,采用正确的扫描轨迹可缩短临床操作时间,提高扫描的精确性,扫描轨迹主要包括E字法、分段法和S型法等.①进行固定义齿修复时,建议先扫描基牙及前后两个邻牙,再把基牙区域挖出洞型,最后在基牙预备完成后补扫洞型缺口处,既可满足临床实际需求,同时也能得到最可靠的精度.②全口无牙颌行全口义齿修复时,在牙槽嵴底黏膜组织设定标记点、一次性捕获前庭区域的图像、采用不同类型的扫描路径如"Z"形、"S"形、颊腭、腭颊路径、分段扫描牙弓等策略,可以减少扫描误差和改善图像拼接以及重叠的问题.③对于种植修复,当进行种植体支持的单冠修复与小跨度上部结构修复时,建议先预扫所需牙弓,再把基牙区域挖出洞型,最后安装好种植扫描杆后再补扫洞型缺口处;当进行骨水平种植体冠修复时,可通过改良的间接扫描方法,将扫描过程分为三步:首先在口内扫描临时修复体和相邻两个牙位的牙齿与牙龈组织,然后在种植体上安装标准扫描杆并扫描全牙弓,最后在口外扫描临时修复体,以获取种植体颈部穿龈轮廓的三维形态,从而增加种植体周软组织扫描的稳定性,提高扫描还原度;对于牙列缺失种植固定桥修复,黏膜具有活动度增加了扫描难度,扫描仪难以分辨形态大小相同的扫描杆,易造成图像叠加错误,可以通过更改扫描杆的几何形状改变光学曲率半径,获得更高的种植数字化印模精确度.共识认为,随着扫描牙弓的范围越大,数据拼接次数增加,扫描精度随之下降;尤其是行全口种植修复印模时,由于口内存在不稳定、不平整的黏膜形态,且无相对明显、固定的参照物,易增加图像拼接处理的难度,造成精度不足,针对此类进行修复设计时,应谨慎选择数字化口内扫描方式获取模型数据,在缺失牙大于5颗时不宜使用数字化印模.

目的 提出一种基于分类配准与全景像素坐标系的显微图像实时拼接算法,以解决现有图像拼接算法精度低、计算复杂度高等问题.方法 依据单视野图像的质量特征,利用评价函数对图像进行分类配准,适应不同的配准模型;构建全景像素坐标系,依据配准结果在此坐标系下进行整体拼接与缝隙融合;基于自主搭建的尿液样本显微扫描系统进行实验,以验证算法的有效性.结果 实验结果表明,相比现有的图像拼接方法,本文基于分类配准与全景像素坐标系的显微图像快速拼接算法更有利于拼接缝隙的融合,且更稳定,拼接效果显著优于加速鲁棒特征和快速傅里叶变换单独拼接;在拼接时间方面,基于分类配准与全景像素坐标系的显微图像实时拼接算法的拼接时间大大缩短,拼接速度提升了1倍,且对于矩形扫描区域拼接的大视野图像,无明显拼接缝隙痕迹,可完成高质量的实时拼接.结论 基于分类配准与全景像素坐标系的显微图像快速拼接算法能够满足快速高分辨率的大视野图像拼接需求,为显微图像拼接提供了一种更优的方法,便于相关人员进一步分析和应用.