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。     

姜黄属植物组培快繁技术的研究进展

姜科姜黄属植物是市场上重要的鲜切花和园林绿化品种，且多数物种具有很高的药用价值。但姜黄属目前主流的块茎分株繁殖法面临着诸如繁殖质量可控性差、速度慢等一系列问题，因而限制了其市场的规模发展。姜黄属植物的组织培养快繁技术能为其提供高效的繁殖途径，批量生产出优质可控的种苗，为满足市场需求提供重要的技术支撑。本研究总结出姜黄属组织培养过程中各阶段的技术现状，通过不同培养方法探讨了目前姜黄属植物组培技术存在的问题和未来的方向，希望为姜黄属植物组培快繁提供技术参考。