目的 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的 了解在动态眼动系统中孤独症谱系障碍(ASD)儿童眼动特征,对ASD早期筛查提供客观指标,并构建适用于临床的预测模型.方法 2016年11月至2017年5月于南方医科大学附属深圳妇幼保健院收入的38例(22.03±4.97)月龄ASD儿童(ASD组)和35例(21.38±4.36)月龄发育正常儿童(TD组)为研究对象.视觉刺激为同时呈现的几何图形(DGI)与社会性人物(DSI)的动态视频,时间2min,检测仪器为Eyelink 1000 plus眼动仪.对ASD组和TD组幼儿各项指标进行t检验及X2检验分析,对结果显示差异有统计学意义的影响因素进行多因素Logistic回归分析,据此建立ASD儿童动态情景眼动视频预测模型.应用受试者工作特征曲线(ROC曲线)及其曲线下面积(AUC)显示自建模型预测儿童ASD的准确性.结果 筛选出4个对儿童ASD预测有意义的指标:DGI注视时间(X1)、DGI注视次数(X3)、DSI注视时间百分比(X5)、DSI注视次数(X6).回归方程In(P/1-P)=β0+β1X1+β3X3+β5X5+β6X6=13.03+1.01X1+0.25X3-98.72X5-0.55X6.其中β0=13.03为常数项,βi为回归系数.自建模型对儿童ASD预测的AUC达0.713.结论 动态情景眼动视频预测模型对儿童ASD有一定的预测意义.

目的 探讨经皮椎体后凸成形术(PKP)对骨密度正常、骨密度下降和骨质疏松性胸腰椎压缩性骨折的临床疗效. 方法 回顾性分析2016年6月—2017年1月采用PKP治疗的72例胸腰椎压缩性骨折患者的临床资料.根据术前患者腰椎平均骨密度T值,将患者分为骨密度正常组(T值> -1,A组),骨密度下降组(-1≥T值≥-2.5,B组)和骨质疏松组(T值< -2.5,C组).采用疼痛视觉模拟量表(VAS)评分评价各组患者术前术后疼痛程度.以正侧位X线片为基础,以压缩椎体的楔形角表示椎体的几何学形状;以包含伤椎上下2个椎体的三节段后凸角评价脊柱后凸畸形程度.记录并比较各组术后骨水泥渗漏的发生率. 结果 所有患者术后VAS评分、楔形角和后凸角均较术前明显改善,差异均有统计学意义(P < 0.05).C组VAS评分及楔形角改善程度显著优于A和B组,差异均有统计学意义(P < 0.05),但A、B组间相比差异无统计学意义(P > 0.05).3组间后凸角改变程度差异均无统计学意义(P > 0.05).A、B和C组的骨水泥渗漏率分别为12.5%(2/16)、7.4%(2/27)和17.2%(5/29),3组间差异无统计学意义(P > 0.05). 结论 对于不同骨密度胸腰椎压缩性骨折患者,PKP均能显著缓解其腰背痛,并能不同程度地纠正压缩椎体的几何学畸形,且对骨质疏松性椎体压缩性骨折临床疗效更好.

目的 观察头针与体针交替针刺治疗小儿脑性瘫痪(以下简称小儿脑瘫)智力低下的临床疗效.方法 将86例小儿脑瘫智力低下患儿86例采用信封法随机分为2组.对照组43例予常规康复训练;治疗组43例在对照组基础上联合头针与体针交替治疗.2组均治疗4周为1个疗程,疗程间休息1周,共治疗6个疗程后统计疗效,并采用中国-韦氏幼儿智力量表(C-WYCSI)(包括知识、图片词汇、算术、图片概括、领悟、动物下蛋、图画填充、迷津、木块图案及视觉分析或几何图形评分)比较2组治疗前后智力水平变化情况.结果 治疗组总有效率86.05％(37/43),对照组总有效率69.77％(30/43),治疗组疗效优于对照组(P<0.05).2组治疗后C-WYCSI知识、图片词汇、算术、图片概括、领悟、动物下蛋、图画填充、迷津、木块图案、视觉分析或几何图形评分及总分与本组治疗前比较均明显增加(P<0.05),且治疗组治疗后C-WYCSI各项评分及总分均高于对照组(P<0.05).结论 头针与体针交替治疗小儿脑瘫智力低下临床疗效确切,既弥补了头针在协调整体脏腑功能上不足的缺陷,又加强了体针间接刺激大脑皮层功能区的力度,二者结合相辅相成,可明显改善患儿智力低下表现,提高智力水平及临床疗效.

目的:探讨视觉N-back训练任务对不同认知风格初中生的视觉空间能力和几何学习的影响.方法:通过“镶嵌图形测验”在济南市某中学选取场独立型和场依存型初中生,通过视觉N-back任务对不同认知风格的学生进行为期四周的工作记忆训练.结果:场独立训练组和场依存训练组的视觉工作记忆广度增值分数均显著高于相应的控制组;场依存训练组的几何成绩增值分数显著高于控制组,而场独立训练组的几何成绩增值分数与控制组没有显著的差异.结论:视觉N-back训练任务对场独立学生和场依存学生的视觉工作记忆广度均有促进作用;并且促进了场依存学生的几何成绩,而对场独立学生的几何成绩没有影响.

目前,我国临床主要依据X射线或数字化摄影(DR)胸片表现,根据肺区分布与小阴影密集度、大阴影与胸膜斑,通过人工比较标准片来诊断尘肺病[1].人工判读胸片存在准确性不高、稳定性差等诸多问题[2],因此,计算机辅助诊断备受关注[3].近年来,深度学习技术因比传统图像处理算法更能提取到影像细微特征,为自动化诊断提供了技术支持;同时,深度学习诊断的准确性可随着训练数据量增加而提升,在医疗影像大数据支撑下计算机辅助尘肺病诊断系统的迭代优化将更加便捷[4].

视网膜是硬骨鱼类视觉成像系统中的重要组成部分,其中视网膜感光细胞层中视锥细胞的二维排列被称作视锥细胞排布,是视网膜发育的重要内容.鳜仔鱼到幼鱼阶段视网膜结构发生了显著变化,在本研究中,我们利用免疫荧光技术和几何规则度分析研究了鳜视锥细胞排布的构建过程.结果表明,鳜视觉转变期(出膜第28～63天,D28～D63)不同亚型视锥细胞(蓝色视锥细胞、紫外视锥细胞和视双锥细胞)存在异速增长,造成不同视锥细胞在总视锥细胞中占比发生显著变化,导致视锥细胞排布趋向于某些特定构型,由早期(D28)的②型和③型排布逐渐过渡到后期(D63)的①型和④型排布,在组织细胞水平上确保了鳜视网膜胚后发育中其结构既能适应不断变化的环境,又维持了基本的成像能力.本研究首次阐述鳜视网膜视锥细胞排布的组织学构建过程,为进一步研究鳜视觉特点提供了重要的生物学依据,同时,对视锥细胞排布构建过程的量化分析方法也为本方向相关研究提供了新的手段.

目的 提出注意力门(AG)和空洞空间金字塔池化(ASPP)UNet模型(AA-UNet),观察其提取肝脏高频超声图像中肝包膜并用于评估肝硬化的价值.方法 纳入47例肝硬化患者及20例非肝脏疾病患者,于肝脏高频声像图中手工标注肝包膜作为标签图像;将AG及ASPP加入UNet,以之提取声像图中的肝包膜;最后加入视觉几何组(VGG)16全连接层和Softmax分类器,评估有无肝硬化及其程度,即正常及轻度、中度肝硬化.采用AA-UNet提取58例颈动脉斑块患者提取颈动脉高频超声声像图中动脉壁,以验证AA-UNet的鲁棒性.结果 AA-UNet提取的肝脏高频超声声像图中的肝包膜与标签图像相似,其交并比、精确率及F分数均大于DeepLabv3+、UNet、UNet+AG及UNet+ASPP提取结果,且用于提取颈动脉高频超声声像图中的动脉壁的效果亦较佳.AA-UNet用于评估肝脏高频超声声像图中正常及轻、中度肝硬化的准确率分别为90.00％、81.67％ 及78.33％.结论 AA-UNet用于提取肝脏高频超声声像图中的肝包膜及评估轻度肝硬化的效果较佳.

目的 基于卷积神经网络模型,预测根尖片图像中影像表现近髓的患牙露髓的风险,并将网络模型的预测结果与高年资医生的预测结果相比较,评估网络模型的性能,以用于教学训练口腔医学生和年轻医生,并辅助医生术前明确治疗计划和进行良好的医患沟通.方法 选取2019—2022年于天津医科大学口腔医院牙体牙髓科就诊的深龋引起的牙髓炎病例206例,其中去腐备洞期间露髓的病例104例,未露髓的病例102例.将收集的206张根尖片图像按比例随机分为3组,分别为训练集126张根尖片、验证集40张根尖片和测试集40张根尖片.选取视觉几何群网络(VGG)、残差网络(ResNet)和密集卷积网络(DenseNet)3个卷积神经网络分析训练集中根尖片的规律,使用验证集的根尖片调整网络超参数,最终使用测试集的40张根尖片图像测试3个网络模型的性能,同时选择1名牙体牙髓专业的高年资主任医生预测测试集的40张根尖片影像深龋是否露髓.以临床操作过程中去腐备洞后是否露髓作为金标准,通过受试者工作特征曲线(ROC)、ROC曲线下面积(AUC)及准确率、灵敏度、特异度、阳性预测值、阴性预测值和F1评分比较VGG、ResNet、DenseNet 3种网络模型和高年资医生对测试集的40张根尖片是否露髓的预测效果,并选出最佳网络模型.结果 最佳网络模型为DenseNet模型,其AUC为0.97;ResNet模型的AUC为0.89;VGG模型的AUC为0.78;高年资医生的AUC为0.87.比较高年资医生(0.850)与DenseNet模型的准确率(0.850),差异无统计学意义(P>0.05);Kappa一致性检验结果显示为中等可信度(Kappa=0.6>0.4,P<0.05).结论 在VGG、ResNet、DenseNet 3个卷积神经网络模型中,DenseNet模型对影像表现近髓的患牙是否露髓的预测效果最佳,该模型的预测效果等同于牙体牙髓专业的高年资医生水平.

人体颈动脉和斑块在亮度分布和形态上有一定交叉和重叠,采用普通方式获得的CT或者MRI数据能清晰地反映斑块在颈动脉中的占位在临床上具有重要意义.本研究提出一种新的参数样条定义切割球簇分割得到颈动脉附近体素,并加强颈动脉和斑块的亮度对比和几何尺度放大,以达到与手术解剖颈动脉斑块基本一致的视觉效果.并将该方法与以血管中心线展开拉伸的血管分割方法进行了比较.实验结果表明本文方法可为颈动脉斑块组织分割提供可视的实时显示,可为相关治疗方法和疗效提供视觉分析.