摘要：针对目前前列腺癌早期筛查方法在不同程度上存在需要大型仪器、操作步骤复杂、耗时较长、成本高昂等问题。我们报道了一种应用于前列腺癌标志物的免洗脱磁性分离免疫检测方法,并结合微流控芯片这一具有传质传热快,样品消耗少,装置体积小等优点的技术,来解决目前前列腺癌早期筛查中存在的问题。以SERS探针为信号源,以磁微米小球为免疫反应洗脱基底,对二者进行对应抗体的生物铰链,与待测前列腺癌标志物(PSA)共同组成免疫检测的"三明治"夹心结构。同时,该方法通过被动分裂式设计使上清液被分离出来,实现了免洗脱步骤。尤其是在SERS检测中,信号是从数百个液滴中采集得到的总体平均信号。检测限达到0.1ng·mL-1,低于临床检测参考值近2个数量级。本项目的预期成果对于实现前列腺癌早期筛查和诊断的高特异性、快速准确以及现场检测具有十分重要的意义。

摘要：多聚焦图像融合是一种以软件方式有效扩展光学镜头景深的技术,该技术通过综合同一场景下多幅部分聚焦图像包含的互补信息,生成一幅更加适合人类观察或计算机处理的全聚焦融合图像,在数码摄影、显微成像等领域具有广泛的应用价值。传统的多聚焦图像融合方法往往需要人工设计图像的变换模型、活跃程度度量及融合规则,无法全面充分地提取和融合图像特征。深度学习由于强大的特征学习能力被引入多聚焦图像融合问题研究,并迅速发展为该问题的主流研究方向,多种多样的方法不断提出。鉴于国内鲜有多聚焦图像融合方面的研究综述,本文对基于深度学习的多聚焦图像融合方法进行系统综述,将现有方法分为基于深度分类模型和基于深度回归模型两大类,对每一类中的代表性方法进行介绍;然后基于3个多聚焦图像融合数据集和8个常用的客观质量评价指标,对25种代表性融合方法进行了性能评估和对比分析;最后总结了该研究方向存在的一些挑战性问题,并对后续研究进行展望。本文旨在帮助相关研究人员了解多聚焦图像融合领域的研究现状,促进该领域的进一步发展。

摘要：目的现有医学图像超分辨率方法主要针对单一模态图像进行设计,然而在磁共振成像(magnetic resonance imaging,MRI)技术的诸多应用场合,往往需要采集不同成像参数下的多模态图像。针对单一模态的方法无法利用不同模态图像之间的关联信息,很大程度上限制了重建性能。目前超分辨率网络模型参数量往往较大,导致计算和存储代价较高。为此,本文提出了一个轻量级残差密集注意力网络,以一个统一的网络模型同时实现多模态MR图像的超分辨率重建。方法首先将不同模态的MR图像堆叠后输入网络,在低分辨率空间中提取共有特征,之后采用设计的残差密集注意力模块进一步精炼特征,再通过一个亚像素卷积层上采样到高分辨率空间,最终分别重建出不同模态的高分辨率图像。结果本文采用MICCAI(medical image computing and computer assisted intervention)BraTS(brain tumor segmentation)2019数据集中的T1和T2加权MR图像对网络进行训练和测试,并与8种代表性超分辨率方法进行对比。实验结果表明,本文方法可以取得优于对比方法的重建性能。相对于对比方法中性能最优的方法,本文方法在参数量低于对比模型的10%的情况下,当放大因子为2时,T1和T2加权模态的峰值信噪比(peak signal to noise ratio,PSNR)分别提高了0.1098 dB和0.4155 dB;当放大因子为3时,T2加权模态的PSNR提高了0.2959 dB,T1加权模态下降了0.0646 dB;当放大因子为4时,T1和T2加权模态的PSNR分别提高了0.2693 dB和0.0429 dB。结论本文提出的轻量级超分辨率网络能够充分利用不同模态MR图像之间的关联信息,同时获得各输入模态图像高质量的超分辨率重建结果。

摘要：目的超声弹性成像技术已逐步应用于支气管淋巴结良恶性的诊断,帮助确定肺癌分期。在支气管超声弹性图像中,淋巴结区域的精确定位对诊断准确度具有重要影响,但通常依赖专业医师的手动分割,费时费力。为此,本文设计了一种注意力上下文编码器网络(attention context encoder network,ACE-Net)。方法本文网络模型包括编码器、上下文提取器和解码器3部分。使用在ImageNet数据集上预训练且去掉平均池化层和全连接层的34层残差网络ResNet-34作为编码器提取特征,上下文提取器从编码器的输出中进一步提取高级语义信息,同时保留尽可能多的空间信息,基于AG(attention gate)的解码器可以抑制输入图像中的不相关区域,同时突出对当前任务更关键的特征。结果实验在本文收集的包含支气管超声弹性图像及对应分割标签的数据集上进行,与6种典型的U-Net结构深度网络模型的分割性能进行对比,数据集中的每幅图像中的淋巴结都由专业医师手动分割标注。基础U-Net网络得到淋巴结分割结果的Dice系数、敏感度和特异度分别为0.8207、85.08%和96.82%,其他改进网络的分割性能在此基础上均有一定提高,本文方法的Dice系数、敏感度和特异度分别为0.8451、87.92%和97.04%,Dice系数和敏感度在所有方法中取得了最优值,特异度取得了次优值。结论以U-Net为代表的深度学习模型在支气管超声弹性图像淋巴结分割问题中具有很大潜力,将上下文提取器和注意力机制融入U-Net网络可以一定程度提升分割精度。本文收集的数据集将有助于推动支气管超声弹性图像淋巴结分割问题的研究。

摘要：脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像。近年来,基于深度学习的脑胶质瘤分割研究已成为主流。然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良。本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割。一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息。本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验。在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411。对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳。基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案。

摘要：为准确、快速提取超声多普勒频移信号,本研究提出了一种结构简单、成本低廉的单通道乘法器电路。该电路的一路输入为超声回波信号,另一路为与发射信号频率有确定频差的正弦波。通过设计的多普勒信号模拟装置对电路进行测试,并对实验数据进行频谱分析,结果显示,解调得到的多普勒频移信号的频率符合多普勒效应的原理。实验证明,本研究的单通道乘法器电路可以实现对超声多普勒回波信号的解调。

摘要：本文以中医理论知识为基础,结合数据库和专家系统,充分利用关系数据库具有优化查询,较高的数据独立性和一致性,且关系中的关系性明确的特点,实现计算机中医辅助诊断;将中医诊断知识进行概念化定义和形式化阐述,并将其放入知识库中,而其内在联系放入规则库中,共同完成对中医诊断知识的表示;系统的整体设计采用模块化结构,便于维护。

摘要：脑电图(electroencephalography,EEG)是一种反映大脑皮层电生理活动的技术,经常用于生物医学领域的各种应用中,但其采集过程容易受到多种噪声的污染,这些噪声会影响EEG信号的准确性和可靠性,因此脑电降噪是EEG分析中必不可少的一步。目前,基于深度学习的方法在多个基准数据集中已展现出优于传统方法的降噪性能,然而现有的基于深度学习的方法仍存在以下问题:现有的网络结构在设计时没有充分考虑信号的时序依赖性。由于不同伪影信号具有不同的形态特征,仅考虑局部或全局的时序依赖性,难以在多种伪影移除任务上获得理想的降噪效果。基于此,本文设计了一种新的脑电降噪网络CTNet。CTNet采用了CNN-Transformer结构,通过结合CNN和Transformer的优点提取潜在的判别性特征,具体来说,CNN单元和Transformer单元分别用于提取局部和全局的时序依赖性特征,通过结合局部和全局的特征更好地抑制伪影信号。为了评估CTNet在EEG降噪方面的性能,本文在四种不同的伪影移除任务上对其进行了评估,实验结果表明,CTNet在各种噪声条件下均具有较强的噪声抑制能力。在公开数据集上的实验结果表明,CTNet在多种伪影上均可获得最低的RRMSE、最高的CC和SNR,如在EMG伪影移除任务中,相比于NovelCNN,CTNet的RRMSE降低了8.67%,CC增加了1.41%,SNR增加了7.06%,上述实验结果证实了该网络在脑电降噪任务上的优越性。

摘要：为考察粒子变形特性对粒子DLD运动轨迹的影响,该文结合柔性粒子弹簧模型和浸入边界-格子玻尔兹曼法(IB-LBM),对圆形粒子分离特性的影响进行了数值模拟研究。研究发现,粒子内外黏度比和粒子刚度等物理性状参数可以在一定程度上改变圆形粒子的临界尺寸以及运动模式,决定分离情况的主要因素依然是圆形粒子尺寸。通过考察粒子在分离运动过程中的长径变化和毛细数,研究发现对于圆形粒子,毛细数越小,粒子变形能力越差,粒子的有效尺寸越小,越容易走之字形运动模式。该结论可以加深对圆形粒子DLD分离机制的理解,同时为设计DLD分离装置提供了理论依据。