简介:【摘要】目的 探讨深度手烧伤创面修复及后期功能恢复方法。方法 回顾性分析55例手深度烧伤患者于伤后3-6天行切削痂植皮,皮瓣移植,人工真皮覆盖等方法进行治疗。术后予以早期功能锻炼,创面愈合后进行抗瘢痕治疗,根据随访情况,后期3-6个月行整形修复治疗。结果:所有深度烧伤创面均得到有效救治,大部分功能恢复满意,部分患者外观满意。结论 深度手烧伤通过早期手术,后期功能康复治疗,取得满意疗效。
简介:摘要不同抑郁症患者的最优治疗方案一般需通过长期、低效率的试错过程来逐步确定。为实现抑郁症的精准治疗,有必要通过特异性生物标志物来选择有效的治疗方法。深度学习是机器学习的一个分支,该技术能处理大量高维、复杂的数据,适用于自动提取和学习临床、基因组学和神经影像数据的特征。近年来,研究人员正在使用深度学习技术开发抑郁症治疗反应的预测模型,有利于指导临床医生为患者选择最佳治疗方案以及在全球范围内推进更为高效的个体化精准医疗方案。本文从人口学、临床症状数据、基因组学数据和功能磁共振成像数据三个方面,对深度学习预测抑郁症疗效方面的相关研究进行综述,并对未来的深度学习研究方向尤其是多组学数据结合深度学习的应用进行展望。
简介:摘要:为了正畸患者口腔的健康,其中清洁患者牙齿尤其重要。本文提出深度清洁正畸患者牙齿方法与措施,根据牙齿的结构设计清理牙齿的工具,并结合智能控制调节清洁牙齿工具速度与深度,使其能够更加充分的清理牙缝以及牙龈间的食物残渣,从而实现了对正畸患者牙齿的深入清洁。
简介:摘要目的基于深度学习方法开发创伤出血量分级预测模型,以辅助预测创伤动物出血量。方法基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据,并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量,基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型;采用实验室检验指标作为预测变量、出血量分级作为结局变量,基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积(AUC)对上述两组模型进行效果评价,并将两组中的最优模型混合得到混合模型1;通过遗传算法进行特征选择,并根据最佳特征组合构建混合模型2;最后,将混合模型2部署于动物实验数据库系统中。结果纳入数据库中创伤动物96只,其中0~300 mL组27只,301~600 mL组40只,>600 mL组29只。在基于生命体征指标构建的14种模型中,全卷积网络(FCN)模型为最优模型〔准确率为60.0%,AUC及95%可信区间(95%CI)为0.699(0.671~0.727)〕;在基于实验室检验指标构建的14种模型中,循环神经网络(RNN)模型为最优模型〔准确率为68.9%,AUC(95%CI)为0.845(0.829~0.860)〕。FCN与RNN模型混合后得到混合模型1,即RNN-FCN模型,模型效果得到提升〔准确率为74.2%,AUC(95%CI)为0.847(0.833~0.862)〕;通过遗传算法进行特征选择,根据筛选后的特征组合构建混合模型2,即RNN-FCN*模型,进一步提升了模型效果〔准确率为80.5%,AUC(95%CI)为0.880(0.868~0.893)〕,该模型包含10项指标,分别为平均动脉压(MAP)、血细胞比容(HCT)、血小板计数(PLT)、血乳酸(Lac)、动脉血二氧化碳分压(PaCO2)、二氧化碳总量、血Na+、阴离子隙(AG)、纤维蛋白原(FIB)、国际标准化比值(INR)。最后,将RNN-FCN*模型部署在数据库系统中,实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。结论基于深度学习开发了一种创伤出血量分级预测模型,并部署在信息系统中,实现了对创伤动物出血量的智能分级预测。
简介:目的:分析早期整形修复对足部深度烧伤的临床护理效果;方法:选取我院2020年3月~2021年3月期间收治的足部深度烧伤患者80例,根据患者的入院时间将其分为研究组和对照组,每组患者各40例,对照组患者接受晚期整形修复(烧伤后20~30d),研究组患者接受早期整形修复(烧伤后7d内),观察并对比两组患者治疗后的临床效果;结果:研究组患者治疗后总有效显著优于对照组患者(P<0.05),结论:给予足部深度烧伤患者早期整形修复,可以提高患者的治疗效果,促进患者足部功能恢复,值得临床推广。
简介:摘要目的通过训练生成对抗网络(generative adversarial network,GAN)模型,构建一种包括跨中线上颌骨缺损的虚拟重建方法,以期为临床提供参考。方法收集2015年6月至2022年6月于四川大学华西口腔医院影像科就诊的汉族成年口腔疾病患者CT资料,选择100例健康上颌骨及15例上颌骨缺损(5例单纯单侧缺损、5例单侧缺损并累及颧骨、5例跨中线缺损)CT数据。应用Mimics软件在健康上颌骨数据及其附近区域创建球型模体并模拟上颌骨缺损,分别为单纯单侧缺损、单侧缺损并累及颧骨、跨中线缺损,以原始图像为虚拟重建的正确参照;人工缺损与正确参照配对后分为训练集(70例)、验证集(20例)以及测试集(10例),前两者用于训练GAN模型,测试集用于评估GAN性能。15例上颌骨缺损CT数据导入训练完成后的GAN模型中进行虚拟重建,对单侧缺损分别采取镜像和基于GAN的方式进行虚拟重建,而对跨中线缺损仅采取基于GAN的方式进行虚拟重建,重建结果分为镜像重建组(10例)、单侧缺损GAN重建组(10例)和跨中线缺损GAN重建组(5例)。对测试集、镜像重建组、单侧缺损GAN重建组进行定量评价,定量指标为Dice相似性系数(Dice similarity coefficient,DSC)和95%豪斯道夫距离(95% Hausdorff distance,HD95),对各组结果进行单因素方差分析和Tukey检验。对测试集、镜像重建组、单侧缺损GAN重建组和跨中线缺损GAN重建组进行定性评分,对各组总分进行Kruskal-Wallis检验和事后检验(Bonferroni校正法)。结果测试集、镜像重建组、单侧缺损GAN重建组DCS(分别为0.891±0.049、0.721±0.047、0.778±0.057)和HD95[分别为(3.58±1.51)、(5.19±1.38)、(4.51±1.10)mm]的总体差异均有统计学意义(F=28.08,P<0.001;F=3.62,P=0.041);其中,测试集DSC显著大于镜像重建组(P<0.05),测试集HD95显著小于镜像重建组(P<0.05)。测试集、镜像重建组、单侧缺损GAN重建组、跨中线缺损GAN重建组定性总分[分别为8(1)、6(2)、6(2)和4(2)分]的总体差异有统计学意义(H=18.13,P<0.001);两两比较显示,测试集总分显著高于镜像重建组(P<0.05)。结论本项研究提出的基于GAN的虚拟重建方法,其单侧缺损虚拟重建效果优于镜像技术,亦可实现跨中线上颌骨缺损的虚拟重建。
简介:摘要目的探讨深度学习重建(DLR)较混合迭代重建(Hybrid IR)在改善胸部低剂量CT(LDCT)图像质量方面的效果。方法回顾性分析2020年10月至2021年3月在北京协和医院行胸部LDCT体检或因肺内结节定期复查的77例患者。对所有入组患者的影像资料进行不同算法重建,获得标准级别Hybrid IR图像、标准和强级别DLR图像。在3种图像的肺实质、主动脉、肩胛下肌及腋下脂肪内选取感兴趣区并测量其CT值和标准差,用于计算信噪比(SNR)和对比噪声比(CNR)。同时,由2名影像医师按照Likert 5分量表法对图像质量进行主观评分,且记录肺磨玻璃结节(GGN)的数量,并对其显示情况进行评分。2名医师评分不一致时由第3名医师评分决定。采用Kruskal-Wallis非参数检验对3种图像的主观和客观评分进行分析,若总体存在差异,则用Bonferroni校正检验进行组内两两比较。结果3种图像在肺实质、主动脉、肩胛下肌及腋下脂肪处的CT值差异均无统计学意义(P均>0.05),而图像噪声、SNR和图像的CNR差异均有统计学意义(P均<0.05)。其中标准级别Hybrid IR图像、标准和强级别DLR图像的CNR分别为0.71(0.49,0.88)、1.06(0.78,1.32)和1.14(0.84,1.48)。标准级别和强级别DLR图像均较标准级别Hybrid IR图像的主观和客观噪声低及SNR和CNR高,差异均有统计学意义(P均<0.05)。在对主要解剖结构(肺裂、肺血管、气管和支气管、淋巴结、胸膜和心包)和GGN的显示上,标准级别和强级别DLR图像评分明显优于Hybrid IR图像,差异均有统计学意义(P均<0.05)。结论与Hybrid IR相比,DLR可以明显降低LDCT图像的噪声,且对GGN的显示良好,有助于在较低辐射剂量水平时保证图像质量,从而改善采用CT行肺癌筛查及肺结节随访的安全性。
简介:摘要近年来,CT图像算法中基于深度学习的图像重建(DLIR)技术不断发展,日益成熟,目前已经逐步应用于临床实践中。DLIR算法较常规迭代重建算法具有在降低辐射剂量和图像噪声的同时不改变图像纹理,保持或提高解剖细节显示能力、总体图像质量和医生诊断信心的众多优势。因此,笔者重点就DLIR算法的原理、优劣势及其在人体各系统的临床应用进展进行综述,旨在进一步提高对DLIR算法的认识,并对其可能的应用情景提供借鉴。
简介:摘要深度学习图像重建算法是目前CT图像重建领域最为前沿的技术,随着算法的不断优化和模型泛化性的提升,适用人群和全身各部位的临床应用也在不断拓展,在疾病诊治中发挥了重要作用。深度学习图像重建算法能够降低图像噪声、消除伪影、避免“过度平滑”的视觉感观,提升主观诊断效能,并有助于CT检查中辐射剂量的降低。此外,深度学习图像重建算法不影响CT图像重建的速度,能够满足临床工作流的需求。随着对深度学习图像重建算法的不断探索以及临床应用的拓展,可以挖掘深度学习图像重建算法的潜在优势,提升CT临床应用的能力。