摘要：目的 比较早期乳腺癌保乳术后仰卧位与俯卧位调强治疗计划靶区和危及器官的剂量学差异.方法 选取15例接受保乳术后放疗的大乳腺及乳腺下垂的左侧乳腺癌患者,分别进行仰卧位及俯卧位CT定位扫描,利用相同优化条件分别进行切线2野调强治疗计划设计.比较2种不同体位计划的靶区剂量分布、心脏、左肺及右侧乳腺受照剂量和体积,以及机器跳数的差异.结果 俯卧位调强计划适形度指数（CI）优于仰卧位计划（0.79±0.05 vs.0.72 ±0.04,W=138,P＜0.01）,均匀性指数（HI）也优于仰卧位计划（1.09 ±0.01 vs.1.12±0.02,t=-4.7,P＜0.01）.俯卧位计划靶区接受95％处方剂量照射的百分体积（V95％）、最小剂量（Dmin）大于仰卧位计划（t=7.1、6.4,P＜0.01）,平均剂量（Dmean）大于仰卧位计划（W=153,P＜0.01）,最大剂量（Dmax）小于仰卧位计划（t=-3.6,P＜0.01）.仰卧位计划的右乳接受5 Gy照射的百分体积（V5）小于俯卧位计划（W=160,P＜0.01）,心脏接受30 Gy照射的百分体积（V30）大于俯卧位计划（t=5.4,P＜0.01）,心脏平均剂量（Dmean）、左肺接受20和5 Gy照射的百分体积（V20、V5）明显大于俯卧位计划（W=133、120、120,P＜0.01）.机器跳数间差异无统计学意义.结论 对于大乳腺及乳腺下垂乳腺癌患者,保乳术后俯卧位调强计划与仰卧位调强计划相比,靶区剂量分布更均匀,心、肺受照射剂量和体积明显减少.

摘要：目的 从计算和测量层面评价MimMaestro最优自动勾画结果导致OAR受量误差.方法 利用240例鼻咽癌、乳腺癌和直肠癌数据建立Mim模板库完成76例相应部位CT数据OAR自动勾画,并从中各选出1例与原手工勾画结构最接近的“最优”病例.评价依据包括CI、适形均距（MDC）、体积差（Dv％）、相似系数（DICE）、敏感指数（***）、包容指数（***）.基于自动勾画的OAR分别设计放疗计划使其表观DVH满足临床需求,然后评价该计划在计算与测量层面导致真实OAR受量的误差.配对t检验（正态分布）或秩和检验（非正态分布）差异.结果 76例自动分割与人工勾画结果不同（P＜0.05）,其中最优病例各器官DICE值为0.43～0.98,DICE＞0.70的占73％ （16/22）.由此导致OAR受量误差的理论值为（-1.15± 15.94）％,95％ CI为-8.21％～5.92％（平均剂量）和（-6.53±21.13）％,95％ CI为-15.90％ ～2.84％（最大点剂量）;实测值为（-2.43±24.52）％,95％ CI为-13.30％ ～8.44％（平均剂量）和（-3.38±20.87）％,95％ CI为-12.63％ ～5.87％（最大点剂量）.结论 在缺乏人工干预情况下,即使基于最优自动分割结果的放疗计划也无法直接满足临床需求.

摘要：目的 比较早期乳腺癌保乳术后切线2野动态调强与非共面多野调强放疗治疗靶区和危及器官的剂量学差异.方法 选取40例接受保乳术后放疗的左侧乳腺癌患者,在同一患者CT影像上,利用相同优化条件分别进行切线2野和非共面3、4、5野4种调强治疗计划设计.比较4种计划的靶区剂量分布、心脏、左肺及右侧乳腺受照剂量和体积,以及机器跳数的差异.结果 非共面4、5野调强计划适形度指数（CI）和均匀性指数（HI）均优于切线2野调强计划（P＜0.05）,临床靶区（PTV）最大剂量（Dmax）小于2野调强计划（P＜0.05）,PTV最小剂量（Dmin）大于2野调强计划（P＜0.05）.3野与2野计划间无明显差异.4种计划的右乳接受5 Gy照射的百分体积（V5）、心脏接受30 Gy照射的百分体积（V30）及平均剂量（Dmean）、左肺接受20和5 Gy照射的百分体积（V20、V5）、平均剂量（Dmean）无明显差异,而机器跳数间差异有统计学意义（F =25.63,P＜0.05）,2野调强跳数最少,5野最多.结论 保乳术后非共面4、5野调强计划与切线2野调强计划相比,靶区剂量分布更好,不明显增加正常组织、器官的受照射剂量,但机器跳数明显增加.

摘要：目前针对内燃机各缸功率损失的诊断方法有很多,但均存在各种局限不能实现实时在线诊断。基于此,在FS诊断方法的基础上提出利用代理模型代替复杂的轴系参数模型的方法并进行功率损失反算,该方法既不需要提取瞬时转速信号的特征故障参数,也不需要复杂的轴系结构参数,仅通过某一测点瞬时转速的各谐次组合就能够精确判断内燃机各缸故障情况,得到满足工程需求精度的诊断结果。通过对比分析反算各缸功率损失与仿真设定功率损失的结果表明:两者相差甚小,完全能够用于工程实际的故障诊断。该方法为快速在线诊断内燃机各缸功率损失提供参考。

摘要：针对目前公路设计工作开展应用数字化测绘技术过程存在的问题,文章从实践角度出发,分析了数字化测绘技术的应用要点,并提出了实际控制的方法策略。结果表明,只有将现有科学技术充分利用起来,才能使数字化测绘技术的运用起到事半功倍的作用。

摘要：为了进一步改善交通环境,以某公路改扩建工程为例,研究该工程的土石方施工方案选择、填筑施工方案选择、涵洞工程施工方案选择、防护工程施工方案选择、桥梁施工方案选择,以此为类似公路改扩建工程施工提供参考。

摘要：设计了测量细胞DNA指数的全自动分析仪(HW-MS)并发展了相应的关键技术。本仪器用于对细胞涂片的数字化显微扫描,获得细胞DNA指数的分布数据。HW-MS采用了排除外界干扰和对测量结果进行归一化的技术措施,使得同一涂片的测量结果具有较好的稳定性。HW-MS的功能包括对涂片自动扫描,实现对细胞图像的自动采集,然后对存贮在计算机内细胞图像进行降噪和分割处理,并对处理后的图像进行识别和分类分析,实现对细胞DNA指数的测量,最后对测量结果中突变细胞进行识别和统计分类。为了保证测量数据的准确性,系统使用标准样片来实现图像质量控制。在高速模式下,本系统可以在30min内实现全片的自动扫描,基本上同时给出测量样本的细胞DNA指数分布数据。初步实验表明,该系统的测量结果具有较高的准确性和稳定性。

摘要：目的：基于经验放疗（ KBRT ）可缩小并改善因经验导致的物理师间计划水平差异。方法以直肠癌术前计划为例，用美国瓦里安Rapid Plan训练DVH预测模型，并将其初步应用于半自动计划设计。选取80例优质VMAT计划导入Rapid Plan模型训练库，将其结构分别匹配库中对应标签代码，确认处方后进行训练。检查残差散点图、回归曲线、OAR几何分布盒子图、野内区DVH分布图、训练日志文件等，排除误配后，检查原计划以排除离群值和强影响值，或增加相应计划再训练。利用模型进行10例KBRT计划设计并与临床计划比较。结果股骨头和膀胱的主分量平均拟合优度，模型DVH分别为0.999415／1．0和0.999963／1．0，GED分别为0.999651／1．0和0.999945／1．0， CD、SR值超限分别有11、4例，经排查计划均保留以使模型更具代表性。对10例KBRT计划，PGTV、PTV的HI值显著优于原计划（P＝0.00、0.04），股骨头、膀胱D50％及Dmean均显著小于原计划（P＝0.042、0.000、0.005）。结论利用Rapid Plan完成了直肠癌术前病例的KBRT模型训练，初步应用结果满足临床要求。

摘要：针对轴承剩余使用寿命(RUL)预测中的不确定性量化问题,综合考虑数据不确定性与模型不确定性,提出了一种基于卷积神经网络(CNN)的RUL区间预测方法。首先,对轴承输入数据进行了预处理,并提取了轴承振动信号的时域特征,选用有强趋势性的参数作为模型输入,接着设计了一个在输出层放置正态分布的CNN模型,将其用于点预测及数据不确定性的捕捉;然后,采用集成方法对模型不确定性进行了量化,输出了区间预测结果;最后,采用PHM2012轴承退化公开数据集对基于CNN的区间预测方法的有效性进行了验证,并将结果与采用贝叶斯神经网络(BNN)所得结果进行了比较。实验结果表明:在轴承RUL预测的应用中,基于CNN的区间预测方法的区间覆盖率(PICP)最高,其值比BNN高出了63.9%,点预测结果的均方根误差(RMSE)值最小,其值为0.1997。研究结果表明:基于CNN的区间预测方法可确保点预测估计的准确性,同时,在描述预测不确定性方面具有更大的优越性和实际意义。

摘要：目的针对调强放疗(IMRT)计划大量耗费人工及计划质量高度依赖物理师临床经验且差异较大等问题,探讨一种可实现无监督调强放疗自动计划的方案。方法采用Varian Eclipse 15.6治疗计划系统(TPS)自带的脚本应用程序接口(ESAPI)和优化参数树搜索算法(OPTSA)模拟,实现整个计划设计过程。通过ESAPI进行交互,自动输入输出相关参数;利用OPTSA对靶区和危及器官(OAR)的剂量学参数进行评估,并迭代调整优化目标参数来逐步改善,最终获得满足临床需求的IMRT计划。为验证自动计划的有效性,从临床数据库中选取20例既往已完成治疗的直肠癌病例,比较基于OPTSA算法的自动计划和临床人工计划在剂量分布和特定剂量学参数上的差异。结果所有的自动计划均满足临床要求。90%的自动计划质量超过既往人工计划,10%的自动计划则与人工计划质量基本一致。PTV平均适形指数(CI)在自动计划和人工计划中分别为0.88和0.80。与人工计划相比,自动计划OAR剂量学指标平均降低11%。自动计划和人工计划平均运行时间分别为(28.15±3.61)和(36.7±4.6)min。结论利用ESAPI所创建的OPTSA自动计划质量不劣于人工计划。在保证计划质量和一致性的情况下,OPTSA自动计划可缩短计划设计中所耗费的人力时间。