高动态光学血管造影成像

我们提出一种高动态光学血管造影成像(HDOA)方法来实现活体生物样本血管造影成像.该方法通过设置高动态范围曝光时间,依据动态积分效应和吸收效应以实现高动态积分时间调制.通过该方法,不仅能够同时获得各级血管清晰的造影图像,还能消除样品厚度不均、吸收系数不同对成像造成的影响.论文以仿体和活体金鱼为样品,通过实验验证了HDOA方法根据动态积分调制效应和吸收效应,能有效实现各级血管同时成像.     

利用归一化互相关算法去除吸收强度涨落调制血管造影图像模糊

吸收强度涨落调制成像（AIFM）方法是基于血红细胞和背景组织对低相干光照明的吸收差异,通过在频域分离动态的血红细胞信号和静态的背景信号,实现对近透明活体生物样本全场无标记的光学血管造影成像. 但此成像方法需采集较长的原始图像序列,系统漂移或生物抖动会造成图像模糊,难以实现对某些特定区域的血管造影成像. 本文提出一种结合AIFM成像和归一化互相关算法的新方法来提升血管造影图像的质量：原始的图像序列被分成若干短时序列,每个短时序列先利用AIFM成像算法重构得到全场的血管造影图像;再利用归一化的互相关算法将所有的短时重构图像与第一帧重构图像相匹配,并融合得到最终的血管造影片. 我们以活体鸡蛋胚胎为样品,通过实验验证了利用短时归一化互相关AIFM成像方法,能够消除鸡胚胎心跳引起的图像模糊,从而获得高分辨率和信噪比的心血管造影片,对研究活体动物心脑血管疾病具有重要应用价值.     

大白菜NHX基因家族的鉴定与表达分析

Na+/H+逆向转运蛋白(Na+/H+antiporter,NHX)基因家族在植物响应盐胁迫中发挥重要作用。本研究鉴定了大白菜NHX基因家族成员,并分析了大白菜NHX基因(Brassica rapa ssp.Pekinensis NHX,BrNHXs)响应高温、低温、干旱和盐胁迫等非生物逆境的表达模式。结果表明,在大白菜中共鉴定到9个NHX基因家族成员,分布在大白菜的6条染色体上,其氨基酸数目在513–1154 aa之间,相对分子量集中在56804.22–127856.66 kDa,等电点位于5.35–7.68之间。该基因家族成员主要存在于液泡中,基因结构完整,外显子的数目介于11–22之间。大白菜NHX基因家族编码的蛋白质二级结构都具有α-螺旋、β-转角和不规则卷曲结构,其中α-螺旋发生频率较高。实时荧光定量PCR(quantitative real-time PCR,qRT-PCR)分析显示,该基因家族成员在高温、低温、干旱和盐胁迫下均有不同程度地响应,且在不同时间表达差异显著。以BrNHX02和BrNHX09对这4种胁迫的响应最为显著,表达量在处理72 h时均显著上调,可作为候选基因进一步验证其功能。     

基于主成分分析的随机森林视网膜OCT图像分层算法研究

视网膜是层状结构,临床上可以根据视网膜层厚度改变对一些疾病进行预测和诊断.为了快速且准确地分割出视网膜的不同层带,本论文提出一种基于主成分分析的随机森林视网膜光学相干断层扫描技术(optical coherence tomography,OCT)图像分层算法.该方法使用主成分分析(principal component analysis,PCA)法对随机森林采集到的特征进行重采样,保留重采样后权重大的特征信息维度,从而消除特征维度间的关联性和信息冗余.结果表明,总特征维度在29维的情况下,保留前18维度训练速度提高了23.20%,14维度训练速度提高了42.38%,而对图像分割精度方面影响较小,实验表明该方法有效地提高了算法的效率.     

通过SEC-UNet精准分割糖尿病视网膜病变眼底OCT图像脉络膜层

目的 糖尿病视网膜病变（DR）是糖尿病的严重并发症，可导致患者视力下降甚至失明。脉络膜的早期检查在DR诊断中起着至关重要的作用。然而，由于DR患者的光学相干层析成像（OCT）中存在脉络膜和巩膜边界模糊、视网膜病变阴影等问题，导致大多数现有算法无法精准分割脉络膜层。本文目的在于提高DR患者OCT图像中脉络膜层分割的精准度。方法 本文提出了一种结合挤压激励连接（SEC）模块和UNet的网络，简称SEC-UNet，不仅增强Unet的局部细节目标关注能力，且能跳出局部最优来增强整体表达能力。结果 SEC-UNet模型的ROC曲线下面积（AUC）达到0.993 0，优于传统UNet模型和SE-UNet模型。这表明SEC-UNet能够获得准确、完整的脉络膜层分割结果。统计分析脉络膜参数变化发现，与正常眼相比，87.1%的DR患者脉络膜中央凹1 mm内体积增加，这证明了DR很可能导致脉络膜增厚。结论 该技术有望成为一种新的辅助诊断工具，帮助医生研究脉络膜在糖尿病眼病的预防、发病机制和预后中的作用。     

基于卷积神经网络的超声影像肝癌自动分类

目的 针对从原发性肝癌中检测肝细胞癌（HCC）的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验，本文利用深度卷积神经网络（CNN）的方法自动学习B超和超声造影（CEUS）图像中的特征信息，并实现对肝癌的分类。方法 建立并验证基于CNN的多个二维（2D）和三维（3D）分类模型，分别对116例患者（其中100例HCC和16例非HCC）的B超和CEUS影像进行定量分析，并对比分析各个模型的分类性能。结果 实验结果表明，3D-CNN模型的各方面性能指标都优于2D-CNN模型，验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征，比2D-CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高，分别达到了85%、85%和80%。此外，由于HCC和非HCC样本不均衡，通过扩充非HCC样本的数量可以提升网络的分类性能。结论 本文提出的3D-CNN模型能够实现快速、准确的肝癌分类，有望应用于辅助临床医师诊断与治疗肝癌。