为研究青钱柳浸膏作为添加剂应用于卷烟的可行性,采用气相-离子迁移谱(GC-IMS)分析挥发性香气成分,通过单热重-气相色谱-质谱联用技术(TGA-GC/MS)模拟燃烧过程,分析青钱柳浸膏在氮气环境中的裂解产物,并对产物可能的裂解机制进行合理推测.结果表明:醛类、醇类、酮类为青钱柳浸膏的主要挥发性香气成分,占总香气成分的 62.28%.在不同温度条件下,青钱柳浸膏裂解产物差异较大,在 200℃、360℃、440℃共鉴定出 79种化合物,其中 24种致香成分对卷烟风格具有重要作用,包括醛、酮、醇、酚、呋喃、芳香族化合物和其他一些天然香气物质,其中含量较多的酚类化合物主要是由含有类似愈创木酚单元和丁香酚单元结构的化合物通过侧链的断裂、脱甲基化、脱甲氧基化、脱水等形成,呋喃及呋喃衍生物主要由糖类或糖苷类化合物通过断裂糖苷键和脱水形成.

目的:针对CBCT图像中肿瘤与周围组织对比度低的缺点，研究一种适合于CBCT图像中中心型肺癌的自动分割方法。方法:收集221例中心型肺癌患者，其中176例行CT定位，45例行强化CT定位。将强化CT图像分别设置为肺窗和纵隔窗，并与首次CBCT验证图像进行弹性配准获得配对数据集；然后将配对数据集传入cycleGAN网络进行风格迁移，使得CBCT图像可分别转化为肺窗和纵隔窗下的"强化CT"；最后经风格迁移后的图像被载入UNET-attention网络对大体肿瘤体积进行深度学习。通过戴斯相似性系数(DSC)、豪斯多夫距离(HD)和受试者工作特征曲线下面积(AUC)对分割结果进行评价。结果:经风格迁移后肿瘤与周围组织对比度明显增强，采用cycleGAN+UNET-attention网络的DSC值为0.78±0.05，HD值为9.22±3.42，AUC值为0.864。结论:采用cycleGAN+UNET-attention网络可有效对CBCT图像中中心型肺癌进行自动分割。

荧光分子断层成像技术(fluorescence molecular tomography,FMT)系统中为获得体内光源的结构信息,需要利用CT体数据.FMT系统在进行光学图像与CT图像的配准时,由于两种模态图像的成像原理、图像风格和图像维度等方面的差异,导致传统配准方法耗时长、效果差.本研究提出了一种基于T2DR-Net(texture transfer and dense registration net)与互信息的光学-CT图像配准方法,实现FMT系统中白光图像与CT图像的配准.该方法将光学-CT图像配准分为粗配准和精配准两个部分.在粗配准阶段,利用Cy-cleGAN实现了FMT白光图像和CT投影像的纹理迁移,以降低两种图像纹理差异对图像配准的影响,并提出了DenseReg-Net模型获取白光图像和CT投影像粗配准参数;在精配准阶段,通过互信息方法进一步对两种模态图像配准,并得到最终的配准结果.利用1330张光学图像和39711张CT投影像作为样本集来验证配准方法的有效性,实验结果表明,本研究提出的光学-CT图像配准方法,相关系数为0.8797±0.0175,结构相似性为0.8683±0.0051,模型配准时间为(2.88±1.39)s.模型的配准效果及其稳定性优于传统方法.此外,与传统方法相比,速度提升了约60倍.

目的:提出一种基于深度学习的医学影像高效生成方法,以解决医学影像数据获取困难、患病样本分布不均匀的问题.方法:将作为CycleGAN输入的2种真实图像进行图像风格迁移,在训练过程中CycleGAN学习2种图像的图像风格,并将这2种图像的图像风格进行转换,输出不同于原图像风格的图像.以肺部CT图像和眼底图像为例,分别对该方法的样本风格转换能力和患病样本生成能力进行测试.结果:经过训练后,该方法能够将肺部厚层CT图像转换为薄层CT图像,并能生成大量质量较高的眼底患病图像,且生成图像耗时短.结论:该方法可以高效生成医学影像,为临床研究以及相关人工智能模型训练提供了有力的保障,并且可为医学人工智能产品的泛化能力提供测试支撑.

2021年高考全国卷生物学试题在承续课标卷近年来的命题风格之外,有了更进一步的探索与尝试,主要体现在重视考查学生对基础事实性知识的掌握,考查学生对概念性知识与程序性知识的深度"理解",考查学生对学科大概念或生命观念的认同与理解.这些特征能给予教师在教学设计、课堂教学、学法指导以及教学评价等多方面的教学启示.