简介:摘要:目的 分析、探究乳腺癌术后应用大分割调强与常规分割放疗之间的临床疗效及毒性。方法 选取我院2021.5至2023.1期间收治的40例乳腺癌患者为本研究对象,按照随机数表法将所有患者分为对照组与观察组,两组病例数为20。对照组接受常规分割放疗,观察组接受大分割调强放疗。治疗一段时间后对两组患者的临床疗效、毒副作用进行观察对比。结果 临床治疗期间两组均未出现2级以上的放疗反应,同时两组的急性皮肤反应、骨髓抑制、放射性肺炎及食管黏膜反应发生率无明显统计学差异(P>0.05);观察组住院时间及治疗费用均少于对照组(P<0.05);对本研究患者实施为期12个月的随访追踪,发现两组患者均未出现肿瘤复杂及严重的毒副反应。结论 作为乳腺癌术后的辅助疗法,大分割调强放疗与常规放疗之间的临床疗效及毒副反应并无显著的统计学差异,但大分割调强放疗的住院时间及治疗费用少于常规分割放疗。
简介:【摘要】目的:观察乳腺癌病人保乳术后接受大分割放疗与常规分割放疗的临床效果。方法:列入2019年1月-2021年12月我院行保乳术治疗的乳腺癌病人90例,通过随机掷骰子法将其分为对照组与研究组2组,每组均45例。对照组乳腺癌保乳术后给予全乳常规分割加瘤床同步补量放疗,PTV 2.0GY/次,PGTVtb2.4GY/次,治疗25次。研究组乳腺癌保乳术后给予全乳大分割加瘤床同步补量放疗,PTV 2.9GY/次,PGTVtb 3.3Gy/次,治疗15次。对比两组病人的近期局部复发率、不良反应率、美容效果满意率。结果:对照组和研究组病人的近期局部复发率(2.22%vs0.00%)差异无统计学意义(P>0.05);对照组和研究组病人的不良反应率(13.33%vs6.66%)差异无统计意义(P>0.05);研究组病人的美容效果满意率(97.77%)高于对照组(82.22%),差异有统计意义(P<0.05)。结论:对于乳腺癌行保乳术治疗的病人,给予术后的大分割放疗,缩短治疗时间,降低不良反应发生风险及影响,提升治疗后局部的美容效果,病人对治疗效果的满意度更高,推荐使用。
简介:摘要目的探索不同分割方法构建的18F-FDG PET/MR影像组学模型对鉴别帕金森病(PD)和多系统萎缩(MSA)诊断效能的影响。方法回顾性收集2017年12月至2019年6月间于华中科技大学同济医学院附属协和医院行18F-FDG PET/MR检查的PD及MSA患者共90例[男37例、女53例,年龄(55.8±9.5)岁],其中PD患者60例,MSA患者30例,按7∶3的比例随机分为训练集和验证集。采用自动标签功能解剖学(AAL)脑区模板匹配图像的自动脑区分割方法以及ITK-SNAP软件手动逐层分割方法勾画双侧尾状核及壳核作为ROI,分别从18F-FDG PET和T1加权成像(WI)中各提取1 172个影像组学特征。采用最小冗余最大相关性(mRMR)和最小绝对收缩和选择算子(LASSO)算法对训练集进行特征降维并建立影像组学模型,同时采用十折交叉验证以减少模型过拟合。采用ROC曲线评价不同分割方法建立的影像组学模型在训练集及验证集中的鉴别诊断效能,并采用Delong检验比较其差异。结果训练集63例(42例PD,21例MSA),验证集27例(18例PD,9例MSA)。采用自动分割和手动分割所建立的影像组学模型(18F-FDG_Radscore和T1WI_Radscore)在训练集和验证集中,其Radscore值在PD组和MSA组之间差异均有统计学意义(z值:-5.15~-2.83,均P<0.05)。基于自动分割的18F-FDG_Radscore和T1WI_Radscore在训练集、验证集的ROC AUC分别为0.848、0.840和0.892、0.877;基于手动分割的两者的AUC分别为0.900、0.883和0.895、0.870;在训练集或验证集中,基于自动和手动分割方法所建立的影像组学模型的诊断效能之间的差异均无统计学意义(z值:0.04~0.77,均P>0.05)。结论基于自动分割和手动分割方法的18F-FDG PET/MR影像组学在鉴别PD和MSA中均有较好的诊断效能,但自动分割省时省力且可重复性较高,其在PD和MSA鉴别诊断中具有更大的潜力和实用价值。
简介:摘要:最初的WSOD方法主要基于实例学习(Multiple-In⁃stanceLearning,MIL),这包括使用影像作为套装程式(肯定套装程式至少包含一个肯定执行处理,否定套装程式的所有执行处理都是否定执行处理)、使用物件建议作为执行处理,以及使用这些套装程式产生低监督目标感测器。MIL标准将点值低于指定点但很可能为负值的对象实例计算在内。在这种情况下,选定对象实例的外观和大小略有不同,因此无法创建更敏感的检测分类。您也可以在训练期间选取遗失的实体做为负数实体,以进一步减少分类器的侦测。为了解决这个问题,最近的研究人员拥有一个全面的MIL网络,如 ocr(online instance class lock-finish)、PCL(ProposalClusterLearning)和其他基于CNN的强大学习能力。在端到端MIL网络中,变体分类问题被认为是学习集成模型(映像)时的潜在问题。使用成员名称培训分类,您可以区分正负成员,并获得最积极的结果。但是,由于WSOD图像中没有对象实例级别的标签,因此WSOD方法和fullyuplevelelevationlabeldetection(fsod)方法之间的性能差异很大。本文主要分析特征融合与分割引导的弱监督目标检测。
简介:摘要:本论文旨在研究基于Mask计算优化提升电子围栏目标检测效率的方法,我们提出了一种新的电子围栏目标检测计算原理,即利用mask图例分割来计算电子围栏和目标框。该方法通过将围栏区域和目标区域分别用不同的遮罩图像进行标识,然后利用掩膜mask计算技术来实现目标检测和围栏计算的优化。我们使用了先进的YOLOv5模型来处理目标检测识别,该模型具备强大的目标检测和识别类别计算能力。通过结合这一模型和mask图例分割的计算原理,我们能够更准确地检测电子围栏和目标框重合程度,即判断某些禁止物体是否真的在电子围栏里,并且在计算效率上取得了显著的提升。本研究的结果表明,基于Mask计算优化电子围栏目标检测相比传统的IOU计算两者重叠区间速度提升30%,准确率提升22%。
简介:摘要:本论文旨在研究基于Mask计算优化提升电子围栏目标检测效率的方法,我们提出了一种新的电子围栏目标检测计算原理,即利用mask图例分割来计算电子围栏和目标框。该方法通过将围栏区域和目标区域分别用不同的遮罩图像进行标识,然后利用掩膜mask计算技术来实现目标检测和围栏计算的优化。我们使用了先进的YOLOv5模型来处理目标检测识别,该模型具备强大的目标检测和识别类别计算能力。通过结合这一模型和mask图例分割的计算原理,我们能够更准确地检测电子围栏和目标框重合程度,即判断某些禁止物体是否真的在电子围栏里,并且在计算效率上取得了显著的提升。本研究的结果表明,基于Mask计算优化电子围栏目标检测相比传统的IOU计算两者重叠区间速度提升30%,准确率提升22%。
简介:【摘要】新型屋面刚性保护层分割缝设置包括有硬质塑料条、软质塑料条、结构胶、螺丝钉及沥青油膏等材料。待屋面混凝土保护层浇筑完成并满足强度要求后,将软质条剔除,在原软质塑料条位置灌注沥青油膏,即完成屋面刚性保护层分割缝的设置。