简介:〖摘要〗目的研究不同的学习方法对各个年龄段的学习有效性。对我科室工作人员最高年龄52岁,最小年龄23岁,平均年龄36±2岁,对腔镜器械的名称、数量、功能、性能检测、撤卸、组装清洗要点及注意事项。
简介:摘要:传统上,国内高等教育课程文件是依靠在院校教学大纲完成的,即将踏入临床护生所学内容与临床活动内容往往存在巨大差异。随着护理学科的发展,同时,对护理人员也提出了更高的要求,实习护士如何做好自身准备也成为我们一直探讨的问题。传统背景下,护生该如何找到突破口,提高实习质量,护生面临更大挑战,菲律宾圣托马斯大学理学硕士提出高等教育的质量推动转向OBL学习方法,即护生带着“wish list{1}进入临床活动,根据自身能力制定学习计划,是护生主动将所学的理论知识与实践相结合并巩固加深的重要环节,使护生在学校学习的理论知识应用于临床实践,培养和提高临床思维分析和独立自主解决问题的能力。
简介:摘要目的针对前列腺癌放疗,研究锥形束CT(CBCT)生成伪CT的深度学习方法,以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像,并使用MIM软件进行形变配准。将数据按简单随机法分为训练集(59例)和测试集(15例)。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像,评价平均绝对误差(MAE)、结构相似指数(SSIM)和峰值信噪比(PSNR)。另外单独分析了图像质量,包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为(29.4±16.1)、(37.1±14.4)、(34.3±17.3)HU。在图像质量方面,U-net和Pix2PixGAN生成的图像存在过度模糊的问题,导致了图像失真;而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量,有更大的潜力应用于自适应放疗中。
简介:摘要目的研究在常规剂量扫描情况下模拟低剂量CT图像的方法,以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像,并建立深度学习模型,用于低剂量CT图像的降噪。方法使用Philip Brilliance CT Big Bore模拟定位机,其不同算法重建的CT图像具有不同的噪声水平,其中iDose4算法噪声较大,而全模型迭代重建技术(iterative model reconstruction,IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块,用IMR算法重建低剂量CT图像,用不同降噪水平的iDose4算法重建常规剂量CT图像,并根据噪声分布从中找出低剂量CT的噪声等价图像。随后,用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks,CycleGAN),使用模体测试该方法对真实低剂量CT噪声的改善程度。结果用iDose4 level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后,对于均匀模块,降噪幅度为45%;对于CIRS-SBRT 038模体的脑、脊髓和骨等处,噪声值分别降低了50%,13%和7%。结论等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络,在避免受检者受照剂量增加的同时,减少图像噪声,提高图像质量。
简介:摘要目的探讨干眼患者自发瞬目模式的特点。方法横断面研究。连续纳入2019年1至12月在首都医科大学附属北京同仁眼科中心角膜病专科门诊就诊的干眼患者357例作为干眼组,其中男性102例,女性255例;年龄(46.2±13.3)岁;同时纳入健康志愿者152名作为对照组,其中男性32例,女性120例;年龄(48.1±13.9)岁。所有患者进行问卷调查眼表疾病评分指数、瞬目视频获取、泪膜破裂时间(BUT)检查、角结膜荧光素染色、基础泪液分泌试验。将瞬目视频的单帧图片输入UNet分割算法与ResNet分类算法建立的模型进行分析,获取睑裂高度百分比绘制瞬目波。将完全瞬目分为A、B、C型,不完全瞬目分为Ⅰ、Ⅱ、Ⅲ型,进而分析干眼患者的自发瞬目特征,并使用独立样本t检验和Wilcoxon秩和检验分析其与对照组差异的统计学意义。结果本研究建立的分割模型与分类模型准确度分别为96.3%与96.0%,与人工分析的一致性为97.9%。干眼组患者瞬目频率为30(18,42)次/min,显著高于对照组的20(9,46)次/min(U=18 132.50,P=0.002),但完全瞬目次数为6(3,24)次/min,明显低于对照组的12(3,33)次/min(U=12 361.00,P=0.016),不完全瞬目次数为15(6,27)次/min,明显高于对照组的3(0,10)次/min(U=22 839.00,P<0.001)。完全瞬目中,干眼患者A型瞬目占比显著高于对照组[53.7%(2 796/5 177)和39.3%(633/1 698);χ²=101.83,P<0.001];不完全瞬目中,干眼患者Ⅱ型瞬目占比显著高于对照组[36.0%(2 334/6 477)和29.6%(126/426);χ²=6.99,P=0.008]。干眼患者平均瞬目间期为1.5 s,与对照组2.2 s比较,差异无统计学意义(U=15 230.00,P=0.093);干眼患者眼睑完全闭合期为0.8 s,明显短于对照组1.3 s(U=16 291.50,P=0.006)。闭眼期、睁眼前期、睁眼末期与对照组比较,差异均无统计学意义(均P>0.05)。结论干眼患者不完全瞬目次数增加、完全瞬目次数减少,眼睑完全闭合时间明显缩短;其瞬目模式以闭合幅度减少的Ⅱ型不完全瞬目及闭合时间缩短的A型完全瞬目为主。
简介:摘要目的开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法,并评估将其用于自动计划的可行性。方法从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者,200例作为训练集,20例作为验证集,另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系,达到预测新患者剂量分布的目的,并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果临床治疗计划的剂量分布和预测的剂量分布相比,靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近,且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法,有助于进一步实现自动设计治疗计划的目标。