目的 开发并验证一种用于展宽布拉格峰的结构体,以提高粒子放疗的效率与适形性.方法 通过随机堆叠与规律堆叠两种方式来制作具有多孔性的网格堆叠结构(MPS),每一层网格中,网格厚度、线宽与线间距分别为0.1、0.1、0.5mm,总尺寸为10cm×10cm.使用蒙特卡罗程序FLUKA模拟196 MeV/u的碳离子束流与105 MeV的质子束流穿过MPS后的输运过程,评估调制后束流的剂量分布、束流不均匀性以及MPS的调制能力稳定性,并评估MPS在鼻咽癌(63 Gy分21次)、肺癌(77 Gy分22次)与前列腺癌(70.4 Gy分16次)各1例临床计划中的调制效果.结果 MPS最多能够将质子束流和碳离子束流的布拉格峰宽度分别增加1.73 mm和2.95 mm,对于不同入射位置,10层以上的规律堆叠能够将MPS的调制能力差异降至5％之内.堆叠30层的MPS调制后的束流输运18 cm后可使不均匀性降至3％之内,与临床使用的波纹滤波器相比,MPS能够将质子等中心束斑减小0.91 mm.在鼻咽癌计划调制中,使用MPS能够将治疗时间缩短213s(37％)且脑干所受的最大剂量减小了 3.28 Gy(7.5％).结论 使用MPS能够有效地展宽粒子束流的布拉格峰,提高临床放疗效率,规律堆叠的MPS调制能力稳定性较强.调制后的束流能够实现相对良好的均匀性,具有贴近患者而减小横向散射并提高适形性的临床应用潜力.

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响.方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料.CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建.首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个.采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性.最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型.利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力.结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05).随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3％(21/90)和50.9％(29/90).组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1％(82/90)和93.3％(84/90).4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177～1.284,P=0.199～0.859).但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75.结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性.虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像.

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:通过高频刺激提升基于稳态视觉诱发电位（SSVEP）的脑-机接口（BCI）的用户舒适度，同时结合双频编码，克服高频导致的解码准确率下降问题。方法:基于25.5~39.6 Hz频率设计了左右视野和棋盘格视觉刺激的2种60指令双频高频编码范式。共采集了13名受试者的数据，针对SSVEP信号进行频域空域特征分析，并根据频域诱发成分优化滤波器组参数。分别采用滤波器组的扩展典型相关分析（eCCA）、集成任务相关成分分析（eTRCA）以及任务判别模式分析（TDCA）等算法进行SSVEP识别以验证范式可行性。结果:左右视野和棋盘格范式均成功诱发了稳定的SSVEP，左右视野基频及其谐波信噪比高，互调成分信噪比较弱，而棋盘格2个刺激频率的互调成分 f1+ f2的信噪比则明显高于30 Hz以上的二次谐波成分，同时还存在 f2? f1成分和2 f1? f2成分。结合脑地形图可以看出左右视野的 f1和 f2响应成分分别位于视野的对侧，而棋盘格则均集中于枕区中央。对于脑地形图振幅和信噪比的偏侧，左右视野刺激频率下PO3和PO4信噪比平均值符合对侧响应特征。5 fb?1方法为最优滤波器组设置方法，左右视野TDCA的识别正确率最高，而棋盘格eTRCA和TDCA的识别正确率比较差异没有统计学意义（ P>0.05），3种算法的信息传输速率均随数据长度的增加先升高后降低。 结论:设计的双频高频SSVEP-BCI范式能够较好平衡性能和舒适度，为实用性的大指令集BCI设计方法提供依据。

由于冠心病患者的心磁图在信噪比较低时,最小方差波束成形(MV)方法的源重建效果不理想,提出一种基于改进最小方差波束成形(IMV)方法,在MV方法的基础上,使用导联矩阵和磁场信号二阶特征矩阵组成约束矩阵,构造新的空间滤波器的权矩阵,从而降低输出噪声功率增益.利用点扩散函数理论比较IMV方法和MV方法的空间谱估计的单源分辨率;利用3个电流偶极子产生36通道磁场仿真数据,采用IMV方法和MV方法在低信噪比下对仿真数据进行源重建;最后对3名冠心病患者的36通道心磁图的R波峰和T波峰时刻数据进行源重建.结果表明,IMV方法的单源分辨率更高,对仿真数据及冠心病患者心磁数据的重建精度更好.

目的:设计一种心电信号无线传输系统,以提高动态心电监护仪中心电信号的无线传输性能.方法:该系统由心电信号采集模块、无线收发模块、无线通信协议模块和数字滤波模块组成.心电信号采集模块由数字接口电路、A/D转换器微处理器、心电放大电路组成.无线收发模块由无线射频单元、晶振电路、射频电路、调试串口、寄存器、电源模块和复位电路组成.无线通信协议模块由数据链路层与物理层组成,其中数据链路层设计自动应答和调频2种机制.数字滤波模块主要由数字滤波器、信号输入模块、延时单元、系数寄存器等组成,其中数字滤波器采用等波纹法设计,并将心电信号转换为输出序列,实现信号去噪.将基于ZigBee组网和通用分组无线业务(general packet radio service,GPRS)的心电信号无线传输方法和基于无线组网模块的心电信号无线传输方法作为对比方法,验证该系统在不同近程传输距离和不同远程传输距离下的心电信号无线传输性能.结果:相比其他2种方法,在不同近程传输距离和不同远程传输距离下,该系统的心电信号无线传输平均速率和成功传输比例较高,平均用时及平均重传数较低.结论:该系统能够实现动态心电监护仪中心电信号高效、平稳、清晰的无线传输.

针对基于运动想象的脑电信号多分类识别准确率不高的问题,提出一种基于微分熵及卷积神经网络对运动想象四分类的识别方法.首先,将脑电信号通过滤波器提取为Alpha、Beta、Theta、Gamma 4个频段,分别计算各个频段的微分熵特征,并按照脑电极空间特征对数据结构进行重构为三维脑电信号特征立方体.最后,将其输入卷积神经网络进行四分类,该方法基于BCI Competition IV-2a公开数据集,准确率达到95.88%,并在试验室建立四分类运动想象数据集进行相同的处理,准确率达到94.50%.测试结果表明本文所提方法具有更好的识别效果.

目的 探究基于机器学习组合模型的影像组学在预测肿块型乳腺癌新辅助化疗(neoadjuvant chemotherapy,NAC)疗效中的价值.材料与方法 回顾性分析2018年1月到2021年10月中国人民解放军总医院第五医学中心的97例接受NAC治疗且经组织病理学证实的肿块型乳腺癌患者的临床和影像资料.基于实体瘤疗效评定标准(Response Evaluation Criteria in Solid Tumors,RECIST),将患者分为有效组和无效组,基于治疗前的动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)减影第一期图像上提取的影像组学特征,引入高通或低通小波滤波器和不同参数的拉普拉斯-高斯滤波器对原始MR图像进行预处理.采用基于单变量分析和多变量分析的特征选择方法进行特征筛选,单变量分析包括F检验、卡方检验和互信息;多变量分析采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO);采用支持向量机(support vector machine,SVM)、随机森林(random forest,RM)、logistic回归分析(logistic regression,LR)三种机器学习分类器进行建模,通过交叉组合,共有12种特征筛选器和分类器的组合方案,训练时采用十次重复的五折交叉验证.使用曲线下面积(area under the curve,AUC)、敏感度、特异度、准确率,阳性预测值和阴性预测值评估模型的预测能力.结果 在所有交叉组合的方案中,最佳的特征筛选器是单变量分析中的F检验方法,最佳的分类器是SVM模型,该组合共筛选出191个影像组学特征,AUC为0.83[95%置信区间(confidence interval,CI):0.80～0.86],准确率为 77%(95%CI:74%～80%),特异度为 81%(95%CI:78%～84%),敏感度为71%(95%CI:65%～77%),阳性预测值为67%(95%CI:62%～72%),阴性预测值为85%(95%CI:83%～87%).结论 基于F检验方法和SVM的机器学习组合模型证实了影像组学在预测肿块型乳腺癌NAC疗效中有一定的价值.

目的 为了探讨汉语为母语者在处理双耳分听模式下汉语听觉信号的脑区分布特征及偏侧化特点,本研究利用低通过滤的方法获取韵律信号,结合双耳分听技术,通过脑功能磁共振成像得到汉语语言和韵律双耳分听信号的神经处理模型.材料与方法 从2022年1月至5月在昆明医科大学第一附属医院共招募30位志愿者,年龄(25.36±0.88)岁,汉语为母语,强右利手者.汉语短句音频信号通过低通滤波器,只保留低频率语言韵律信号(<320 Hz),并得到两组双耳分听语音信号:左耳低通过滤右耳不过滤组(filtered in the left ear and unfiltered in the right ear,FL);右耳低通过滤左耳不过滤组(filtered in the right ear and unfiltered in the left ear,FR).受试者依次聆听两组语音信号,同时进行两组组块设计的脑功能磁共振成像.使用SPM 12软件对得到的影像数据进行预处理后,进行组内单样本t检验、组间双样本t检验,以此观察两组语音信号激活脑区的分布和强度的共性、差异性.根据单样本t检验的统计结果,确定感兴趣区域,计算相应脑区的偏侧化指数,以获得大脑在处理双耳分听模式下的汉语语言和韵律信号时的脑区偏侧化特点.结果 两组信号都激活了双侧颞中回、颞上回、额下回,左侧中央前回和右侧额中回(P<0.05,FDR校正);FL信号诱导左侧额中回血氧水平增高(P<0.05,FDR校正);FR信号还激活了双侧顶下小叶(P<0.05,FDR校正).对两组语音信号进行双样本t检验后,发现FR与FL相比,右侧颞中回、颞上回具有明显差异(P<0.05,FDR校正);FL与FR相比无明显差异性脑区.对两组语音信号进行偏侧化指数计算后发现,在大脑半球水平上两组语音信号无明显的偏侧化表现.两组信号的额中回具有右侧优势,中央前回都表现出左侧化趋势;顶下小叶在FR刺激下呈现左侧化趋势.结论 大脑处理两种语音信号时具有一个由双侧颞中回、颞上回、额下回和右侧额中回组成的基础语音处理模型.双耳分听信号FR除激活了基础语音加工脑区外,相较于FL招募了更多的听觉相关脑区参与言语感知和认知控制;FL则可以降低右侧颞中回、颞上回的音韵处理负荷,可能是一种符合左、右两侧半球处理语言、韵律优势的信号.

目的 脉象识别是中医客观化、智能化的重要组成部分,这种无创、快速的诊断方法具有巨大的临床价值,然而数据不平衡和特征提取繁杂仍是具有挑战性的问题.方法 利用tsfresh库对巴特沃兹带通滤波器后的一维脉象信号提取特征向量,并加入探索性数据分析所选出的9列医学辅助特征,共同进行特征筛选得出21列特征向量作为加权软投票融合模型的输入.通过边界合成少数类样本过采样技术,解决数据不平衡问题,构建基于XGBoost、随机森林、LightGBM、梯度提升决策树4种机器学习的加权软投票融合模型,最终模型将输出具体脉象类别,通过评价指标准确率、精确率、召回率和F1分数进行性能展示.结果 实验结果表明,所筛选出的21项特征向量共六类脉象信号测试集,在五折交叉验证中取得准确率90.04%,且仅耗时65.9466 s.结论 本论文能为脉象信号识别提供更精准、更智能的辅助参考,与常用脉象识别方法相比有更低的操作复杂性和更高的准确率,较短的训练时间也使其在多种类脉象信号识别中更具临床实用价值.