摘要：临床活动性评分(Clinical activity score,CAS)是临床诊断甲状腺相关眼病(Thyroid associated ophthalmopathy,TAO)的重要评估方法之一。由于TAO症状的多样性和非患病区域的影响,人工诊断TAO容易受医生的主观经验影响。精准获取TAO患者脸部关键区域是早期诊断TAO的重要前提之一。因此,本文提出了一种基于DSE-Net的TAO患病区域自动分割的轻量型算法。DSE-Net采用U-Net作为主干模型,设计的密集型挤压-激励(Dense squeeze-and-excitation,DSE)通道注意力模块逐层提取编码结构的低级特征并融合解码结构的高级特征,进一步增强模型的特征提取能力。在巩膜、眼睑和泪阜数据集上的测试证明了DSE-Net的有效性,其中Dice系数分别达到了84.8%、84.7%和92.7%,IoU分别达到了74.0%、74.7%和86.5%。同时经过大量的对比实验证明了DSE-Net的优越性。提出的模型具有参数少、结构简单和特征提取能力强等特点,为TAO的早期诊断和预后治疗提供了重要信息。

摘要：目的·探索副鼻窦炎对爆裂性眼眶骨折(blowout orbital fracture,BOF)预后的影响。方法·回顾2018年12月—2019年8月在上海交通大学医学院附属第九人民医院眼科接受手术治疗的66例(66眼)BOF患者资料。分为副鼻窦黏膜增厚(sinus membrane thickening,SMT)组48例(48眼)和无副鼻窦黏膜增厚(no sinus membrane thickening,NSMT)组18例(18眼)。观察2组的矫正视力、复视、眼球运动障碍及眼球突出度差值指标,采用χ2检验、单因素方差分析、多元回归方程等统计方法,分析SMT与BOF预后的相关性。结果·NSMT组比SMT组的术后复视和眼球运动障碍程度更轻(均P=0.000)。眼球突出度差值变化、患眼矫正视力变化和SMT均无相关性。结论·副鼻窦炎与BOF术后复视及眼球运动障碍的恢复有相关性。

摘要：干细胞是一类具有自我复制能力的多潜能细胞,具有增殖和分化的特性,干细胞作为“种子”细胞可参与细胞替代和组织再生,为许多重大疾病的有效治疗提供新的思路和工具[1],近二十年来一直是生命科学研究领域的前沿和热点。但作为一种新兴医疗技术,干细胞应用于疾病治疗也存在着异常分化、致瘤性、免疫原性等多种风险,干细胞的临床应用探索实践需要科学的研究设计和严格的受试者风险管理,必须遵循科学、规范、充分保护受试者权益的原则[2]。

摘要：在传统微创手术中,由于技术方法的限制,存在诸多难题,如手术精度无法保障、手术时间和效果全凭医生经验等。而且此类手术操作范围有限,患者对手术质量要求越来越高,医生手持器械操作的传统手术方法难以满足。为解决这一难题,提出了一种七自由度的基于远心机构的手术机器人设计方案。它包括位置调整机构和姿态调整机构,可以实现精确、稳定的三维空间运动,能够有效避免由于医生手持器械的不稳定及经验的局限造成的误差和损伤,从而提高手术的质量。最后,利用高精度API T3-40激光跟踪仪,对手术机器人的绝对位姿精度和重复位姿精度进行测量,以验证手术机器人系统的可行性,并为以后机器人精度标定做准备。

摘要：目的:眼球突出度的计算对甲状腺相关性眼病(Thyroid-Associated Ophthalmopathy, TAO)诊断非常有价值,但受限于传统眼球突出度测量工具的缺陷和眼科医生主观上的诊断差异,从CT影像中提取的多种特征对TAO进行预测可以避免上述误差。方法:使用深度学习方法建立眼球分割模型,从CT影像中分割出眼球,设计算法进行自动化测量眼球突出度,对眼球分割结果进行影像组学特征提取,利用不同特征组合对TAO进行预测,并观察比较结果差异。结果:眼球分割模型在测试集上的分割Dice系数为0.935,使用自动算法测量的眼球突出度与提取的眼球影像组学特征结合共同预测TAO的准确率优于单独使用眼球突出度或单独使用眼球组学特征对TAO进行预测的准确率。结论:自动化眼球突出度测量与影像组学特征结合高于单项指标预测效能,基于眼球影像特征提取对预测TAO的结果证明CT影像上不能被眼科医生直接发现的影像组学特征信息对预测结果有正面作用。

摘要：目的甲状腺相关眼病(thyroid-associated ophthalmopathy,TAO)是常见的眼病之一,通过CT图像进行诊断和筛查对治疗有着重要意义,但传统方法依赖有经验的医生对CT进行分析和诊断,尚无有效的自动化方法。为此本文提出一种可以从CT图像中自动提取特征进行TAO诊断的方法,辅助医生进行诊断。方法设计了Unet-Orbit分割网络对CT中的眼肌进行图像分割,随后采用影像组学工具(PyRadiomics)从分割结果中的眼肌区域提取数值化特征。为了更好地利用影像组学的特征,设计了一个特征提取网络,采用自动编码器框架。将不同的眼肌提取到的特征,通过特征合并和变换进一步得到一组新特征。最后采用来自上海交通大学医学院附属第九人民医院的1912个CT图像数据集,对使用原始影像组学特征的分类器与使用特征提取网络后的特征的分类器进行了比较。结果在医院数据集上,该模型的诊断准确率、灵敏度和特异性分别为87.34%、84.73%和89.96%。结论语义分割网络可以高效分割眼肌区域,特征提取网络得到的新特征可以提升多种不同分类器在TAO诊断的准确率,可能为TAO的诊断提供一个新工具。