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:探讨CT重建算法、辐射剂量和对比剂3种参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。方法:前瞻性选取2018年于中国医学科学院肿瘤医院就诊的35例肺结节患者(50枚纯磨玻璃密度肺结节)，对同一患者肺结节的原始图像重建后共获得6种不同参数的序列，使用ITK－SNAP软件分别对不同序列的纯磨玻璃密度肺结节进行分割，将所有扫描数据通过美国GE公司的A.K.软件进行肺结节影像组学特征提取，通过组内相关系数选取复测信度好的影像组学特征，使用R语言统计学软件对特征参数进行分析，将不同序列的所有特征值配对比较，分别统计改变采集和重建参数导致变化的影像组学特征的数量，比较不同采集和重建参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。采用配对样本 t检验或Wilcoxon检验比较不同序列特征值分布的差异，采用 χ2检验比较改变不同参数后发生变化的影像组学特征数量的差异。 结果:50枚纯磨玻璃密度肺结节共提取391个影像组学特征，组内相关系数>0.75的特征为320个。同时改变CT重建算法、辐射剂量和对比剂3种参数时，发生变化的纯磨玻璃密度肺结节影像组学特征达到60.9%(195/320)，其中包括6.7%(1/15)的形态学特征、100.0%(40/40)的直方图特征和58.1%(154/265)的纹理特征。仅改变1种参数(保持其他2种参数不变)的情况下，分别改变CT重建算法、辐射剂量和对比剂，发生变化的纯磨玻璃密度肺结节影像组学特征分别为10.6%(34/320)、30.9%(99/320)和50.6%(162/320)，差异有统计学意义(均 P<0.05)。当辐射剂量和对比剂改变时，与50%自适应迭代重建技术(ASiR－V)比较，滤波反投影(FBP)重建算法获得的影像组学特征发生变化更小( P＝0.001)。 结论:CT重建算法、辐射剂量和对比剂会影响纯磨玻璃密度肺结节的影像组学特征，其中对比剂对纯磨玻璃密度肺结节影像组学特征的影响最大，辐射剂量次之，CT重建算法最小；与形态学特征比较，直方图特征和纹理特征容易受到CT重建算法、辐射剂量和对比剂的影响；与50% ASiR－V比较，FBP重建算法获得的影像组学特征受辐射剂量与对比剂的影响更小，在影像组学分析中应充分考虑到这些参数的影响。

目的:探讨TrueFidelity深度学习重建算法在腹盆部CT血管成像（CTA）低剂量扫描时的应用价值。方法:前瞻性纳入2020年6月至2021年3月就诊于西安交通大学第一附属医院，临床申请行腹盆部CTA的患者。所有患者均行低剂量腹盆部CTA扫描，管电压为80 kV，管电流为智能管电流（100~720 mA），扫描完成后均使用传统滤波反投影（FBP）、自适应统计迭代重建算法（ASIR-V 50%）、TrueFidelity算法［降噪强度：中等强度（TF-M）和高强度（TF-H）］4种重建算法对图像进行重建。测量腹主动脉、同层腰大肌及皮下脂肪的CT值和CT值的标准差（SD），计算信噪比（SNR）和对比噪声比（CNR），另外测量腰大肌密度均匀区域的CT值偏度，同时使用5分法评价所有图像的颗粒度、模糊度及股骨头层面的硬化伪影。客观评价指标采用重复测量单因素方差分析进行检验。结果:共纳入46例患者。CT检查的辐射剂量为（1.09±0.31）mGy。4组重建图像血管和肌肉的CT值比较差异无统计学意义（ P>0.05），SD值比较差异有统计学意义（ P<0.001），FBP组的SD值最大，TF-H组的SD值最小。SNR和CNR比较差异有统计学意义（ P<0.001），整体趋势与SD值趋势相反。偏度值比较4组差异无统计学意义。颗粒度评分FBP组评分最高，TF-H组评分最低，4组间差异有统计学意义。模糊度评分TF-H组评分稍高于其余3组，但差异无统计学意义。硬化伪影评分FBP和ASIR-V 50%组评分最差，TF-H最好（ P<0.001）。 结论:综合考虑图像噪声、模糊度、均匀度和硬化伪影的表现，在腹盆部CTA低剂量扫描时，相比于FBP和ASIR-V，TrueFidelity重建算法可以提供更优的图像质量，其中TF-H的图像质量最佳。

目的:将深度学习重建算法与低剂量CT相结合，探究其对图像质量的影响及对骨密度测量的影响，及其在机会性骨质疏松筛查中的应用价值。方法:前瞻性收集同时接受胸上腹部联合低剂量扫描的患者119例(年龄≥40岁)。所有图像分别使用滤波反投影(FBP)算法、基于混合模型的自适应统计迭代重建(ASIR-V)50%和3个水平深度学习算法进行重建。使用非同步定量CT软件进行骨密度测量，比较不同重建条件下的骨密度(BMD)。分别计算降主动脉、肝脏、脾脏的信噪比(SNR)和对比噪声比(CNR)，将前腹壁脂肪的标准差代表图像的噪声，并使用5分制主观评价法，进行图像质量客观评价。比较不同重建方法下，不同部位的客观和主观图像质量。结果:在不同的重建方法下，BMD的差异无统计学意义( P>0.05)。高级别的深度学习重建算法(DLIR-H)较ASIR-V 50%在降主动脉、肝脏和脾脏的SNR分别提高了103.88%、125.09%、136.13%，图像噪声降低了55.98%，DLIR-H的CNR和主观评分(肺部病变显示能力除外)均优于DLIR-L和ASIR-V 50%( χ2＝158.31~275.35， P<0.001)。 结论:深度学习算法不影响骨密度测量的准确性，图像质量优于ASIR-V 50%。深度学习算法联合低剂量CT可用于机会性骨质疏松筛查。

目的:探讨深度学习图像重建（DLIR）算法优化儿童多发性大动脉炎增强CT（CECT）图像质量和提升血管壁测量精度的价值。方法:回顾性收集2019年9月至2020年4月于首都医科大学附属北京儿童医院32例进行低辐射剂量体部CECT的多发性大动脉炎患儿，扫描管电压100 kVp，将原始数据采用滤波反投影（FBP）、50%自适应统计迭代重建（ASIR-V）、100%ASIR-V、DLIR重建为0.625 mm的薄层图像。主观评价由两名医师采用5分法评估整体图像噪声、血管壁的显示能力以及诊断信心指数。客观评价测量各组图像血管壁厚度，计算测量标准差和变异系数（CV），同时计算对比噪声比。使用Friedman检验比较4组图像间主观评分的差异，采用随机区组的方差分析比较客观测量指标的差异。结果:整体噪声方面100%ASIR-V、DLIR间评分差异无统计学意义（ P>0.05），此两组图像评分均高于FBP、50%ASIR-V（ P均<0.05），血管壁显示能力与诊断信心指数DLIR优于其他图像（ P均<0.05）。客观测量结果显示，DLIR图像管壁厚度标准差和CV小于其他图像，差异有统计学意义（ P均<0.05），100%ASIR-V与DLIR间血管噪声值、肌肉噪声值、对比噪声比的差异无统计学意义（ P均>0.05），均低于FBP和50%ASIR-V图像（ P均<0.05）。与50%ASIR-V图像相比，DLIR图像的CV降低了22.9%，对比噪声比提升了46.8%。 结论:DLIR可改善大动脉炎患儿的CECT图像质量，提升血管壁的测量精度，使进一步降低辐射剂量成为可能。

目的:探究深度学习重建算法(Deep learning image reconstruction,DLIR)、传统滤波反投影(Filered back-projec-tion,FBP)及自适应迭代重建算法(Adaptive statistical iterative reconstruction-veo,ASIR-V)对改善腹部门静脉期CT图像质量差异及临床获益.方法:前瞻性纳入45例行腹部增强CT扫描患者,其中包括18例肝硬化失代偿期患者,对门静脉期图像进行FBP、30％ASIR-V、80％ASIR-V及DLIR-H重建,并测量比较4组重建图像肝脏、脾脏、脾静脉、门静脉及左右支CT值、噪声、信噪比(Signal-to-noise ratio,SNR)及对比信噪比(Contrast-to-noise ratio,CNR);比较各重建算法图像主观评价,包括18例肝硬化失代偿期患者交通支血管.结果:4组重建算法图像CT值无统计学差异(P＞0.05),噪声、SNR、CNR均有统计学差异,两两比较 FBP 与 30％ASIR-V,80％ASIR-V 与 DLIR-H 在 CNR、SNR 值中无统计学差异(校正 P＜0.008),80％ASIR-V 与 DLIR-H算法在SD值无统计学差异(校正P＜0.008),余均有统计学差异.主观评价DLIR图像整体质量、对比度、失真伪影与其他各组有显著性差异(校正P＜0.008),仅图像噪声与80％ASIR-V无显著性差异(校正P≥0.008).DLIR交通支血管轮廓、清晰度与各组有显著性差异(校正P＜0.008),噪声与80％ASIR-V无显著性差异(校正P≥0.008).结论:DLIR算法降低腹部CT图像噪声,改善图像质量具有优势,尤其是肝硬化失代偿期微小血管结构,该重建算法可能为患者的精准诊断、风险评估提供更多信息.

目的:基于成像式光电容积描记(imaging photo plethysmography,IPPG)技术,提出一种在不同光照条件下依然拥有较高准确率的非接触式血氧饱和度检测方法.方法:首先,通过摄像头采集人脸感兴趣区域的图像;其次,使用自适应伽马校正和欧拉视频放大算法对图像进行预处理;再次,将视频信号转化为数字信号,提取IPPG信号,并使用经验小波变换进行滤波去噪;最后,利用二次函数拟合得到血氧饱和度公式,从而计算出血氧饱和度.结果:相较于其他文献算法,该方法具有更强的抗光照变化干扰能力,在不同光照条件下的平均误差均不超过1.5％,最大误差在2％左右,且与指夹式血氧仪的检测结果具有较好的一致性.结论:该方法在不同光照条件下测量血氧饱和度均具有较高的准确率,能够达到实际测量的要求.

目的 提出一种基于三波长的脑组织氧监测数学模型.方法 结合完全集合经验模态分解与自适应噪声(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和排列熵(Permutation Entropy,PE),对脑氧信号进行处理,同时用信噪比矫正PE值区间的选择,以自适应滤波提高脑血氧降噪.结果 本文采集了3例志愿者数据并将其和现有市场设备进行对比,结果表明,与经验模态分解算法、集合经验模态分解算法相比,本文提出的CEEMDAN算法与对比设备的均方根误差均小于1.7,3组数据的皮尔逊相关系数分别为0.885、0.899、0.883,整体相关性较高(P<0.01);在降氧实验中,该算法可有效监测脑氧值变化趋势,具有较好的实用价值.结论 该算法可有效去除基线漂移、低频噪声以及高频噪声,解决模态混叠和残余噪声问题,并提高滤波的准确性,进一步提高重构信号的信噪比,提升系统的有效性和稳定性.

基于心率变异性(HRV)的特征分析,提出一种患者阵发性房颤(PAF)发作的预测系统方法.首先,基于一种新的自适应滤波技术逐次平滑滤波并粗粒化HRV后,采用熵量化HRV在多个自适应尺度的复杂性特征;其次,特征经Min-Max归一化和序列前向选择特征子集,输入支持向量机识别HRV类型,预测PAF发作.经50例时长5 min HRV序列集的五折交叉验证,得到最优预测结果为:准确率98%,敏感性100%,特异性96%,性能表现优越.另外,实验表明远离和紧随PAF时的HRV复杂性特征值在不同频率段内,分别具有不同的显著变化(P<0.05),反映受试者神经系统调节心脏节律改变,以及调控机体、应激等适应外界环境变化能力的下降.

目的:基于体模研究探讨深度学习图像重建(DLIR)算法的图像质量是否优于传统的自适应统计迭代重建算法(ASIR-V).方法:使用GE Revolution Apex CT机对分辨率体模(JIS体模)进行常规剂量(CTDI为11.50 mGy;A组)和低剂量(CTDI为4.22 mGy;B组)扫描.对A组的原始扫描数据采用常规30％权重ASIR-V进行图像重建,B组采用滤波反投影(FBP)、30％-ASIR-V、60％-ASIR-V、90％-ASIR-V及不同级别的深度学习重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建.在每组重建图像上测量JIS体模试管内各ROI(圆形,大小135 mm2)的CT值及其SD(图像噪声),计算图像的信噪比(SNR);同时由3位放射科医师对扫描图像的噪声和分辨率(空间分辨率/密度分辨率)两个方面对不同重建算法的图像采用5分法(5分,图像清晰;4分,图像基本清晰;3分,满足临床诊断要求;2分,图像部分勉强辨认;1分,完全不能辨认)进行主观评分.采用单因素方差分析比较不同重建算法图像上测得的CT值、SD及SNR,采用Fleiss Kappa检验比较医师之间主观评分的一致性.结果:B组的CTDI为4.22 mGy,较A组(11.50 mGy)下降了63.3％.在相同权重迭代算法(30％-ASIR-V)下,低剂量与常规剂量相比图像的SD升高了68.33％,低剂量图像噪声和图像分辨率的主观评分低于常规剂量.在低剂量组中,FBP、30％-ASIR-V、60％-ASIR-V、90％-ASIR-V及DL1R-L、DLIR-M、DLIR-H重建图像的SD分别为 31.33±2.51、25.21±2.47、19.43±1.76、13.76±1.39和21.33±2.09、21.33±2.09、13.84±1.42,与FBP算法相比,不同权重迭代算法和不同级别的DLIR算法均可减低图像噪声(P＜0.05),且随着ASIR-V权重或DLIR级别的升高,SD值越低.图像分辨率主观评分随着ASiR-V权重的升高而降低,但随着DLIR级别的升高而升高.与FBP、30％-ASIR-V、60％-ASIR-V和DLIR-L、DLIR-M算法相比,DLIR-H算法可显著降低图像噪声(P均＜0.05);DLIR-H算法的图像噪声和分辨率的主观评分高于其它算法(P均＜0.05).结论:应用深度学习重建算法能够提高图像质量(噪声和分辨率),低剂量扫描结合深度学习图像重建算法,能达到常规剂量扫描的图像质量.