【摘 要】
：
眼科中治疗孔源性视网膜脱离(RRD)的玻璃体切割联合硅油填充术中,预测术后硅油乳化情况,并根据其确定术中适宜硅油填充量和最终取出时间是手术成功的关键.然而手术流程中医生无法直接观察眼球内部结构,很难对填充物质进行定量分析,手术完成后亦对硅油乳化状态缺乏可视化认知.该文提出一种基于光滑粒子流体动力学的体积不可压缩多相流体计算框架,结合表面张力模型对眼内环境中硅油和水的耦合进行数值计算;构建以力平衡散体动力学模型为基础的多相流体互溶扩散模拟方法,对硅油乳化过程进行可视量化分析.实验表明,该方法可以稳定模拟强表
【机 构】
：
北京材料基因工程高精尖创新中心(北京科技大学) 北京 100083;计算机与通信工程学院、人工智能研究院(北京科技大学) 北京 100083;材料领域知识工程北京市重点实验室(北京科技大学) 北京 1
论文部分内容阅读
眼科中治疗孔源性视网膜脱离(RRD)的玻璃体切割联合硅油填充术中,预测术后硅油乳化情况,并根据其确定术中适宜硅油填充量和最终取出时间是手术成功的关键.然而手术流程中医生无法直接观察眼球内部结构,很难对填充物质进行定量分析,手术完成后亦对硅油乳化状态缺乏可视化认知.该文提出一种基于光滑粒子流体动力学的体积不可压缩多相流体计算框架,结合表面张力模型对眼内环境中硅油和水的耦合进行数值计算;构建以力平衡散体动力学模型为基础的多相流体互溶扩散模拟方法,对硅油乳化过程进行可视量化分析.实验表明,该方法可以稳定模拟强表面张力作用下多相流体耦合以及可混溶多相流体相间交互效果,从而有效辅助医生判定所需硅油填充量,并预测评估硅油乳化状态对手术预后的影响.
其他文献
为了能够实现空间可视化监测,更好地开展安全监管管理工作,提出一种引入GIS技术运用于UWB基站的可视化模式智能安全监管设计方案.该设计方案实现了信息的高效集成,并且能够建立空间分析模型,实现真正意义上建立一套完整的可视化电厂平台,实现对佩戴定位标签人员的精确定位和作业风险管控.通过设计三层系统架构,采用可视化编程Java高级语言程序,智能化分析、判断并控制整个作业风险管控过程.首先将GIS技术引入UWB基站中实现安全监管区域地理位置坐标数据初始化,之后构建设备和计算机终端之间的有效通信,便可以经计算机终端
自2019年末新型冠状病毒(Covid-19)疫情在全球爆发以来,世界各国都处于疫情的危害之下.新冠病毒通过入侵人体的呼吸系统,造成肺部感染,甚至死亡.CT(Computed Tomography)图是医生对肺炎患者进行诊断的常规方法.为了提高医生对新冠感染者进行诊断的效率,该文提出一种基于低秩张量自注意力重构的语义分割网络LRSAR-Net,其中低秩张量自注意力重构模块用来获取长范围的信息.低秩张量自注意力重构模块主要包括:低秩张量生成子模块、低秩自注意力子模块、高秩张量重构子模块3个部分.低秩张量自注
重症监护病房(ICU)住院期间发生的急性肾损伤(AKI)与患者发病率和死亡率的增加有关.该研究的目的是提出一个基于机器学习的框架,用于危重病患者的可解释AKI预测,该框架能够同时实现良好的预测和解释能力.该文从重症监护医学信息数据库Ⅲ(MIMIC-III)中提取的数据包括患者的年龄、性别、生命体征和ICU入院第1天及随后的化验值.在该研究中,通过将XGBoost模型与其他4种机器学习模型进行比较,证明了XGBoost模型的预测性能.此外,SHAP(SHapley Additive exPlanation)
为解决X射线单能量成像的图像像素点缺失、图像分辨率较低等问题,且为更好地保护图像的细节信息,给出了结合双能和小波技术的图像融合算法.对原始采集的图像进行小波分解,等价于用一组高、低通滤波器进行滤波.通过高能量和低能量下的小波分解,用基于邻域像素的关联性和区域方差提取低频分量.用Sobel算子检测局部细节信息,将梯度最大值作为算子检测的图像边缘输出,从而提取高频分量.采用小波重构算法进行逆变换,形成新的融合图像并进行定量分析.结果表明,这种双能融合方法可以很好地解决X射线单能量成像的局限性,较好地保护图像的
房颤是一种常见的心律失常,其发病率会随着年龄增长而升高.因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率.为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法.1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征.进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型.该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信
现有多模态分割方法通常先对图像进行配准,再对配准后的图像进行分割.对于成像特点差异较大的不同模态,两阶段的结构匹配与分割算法下的分割精度较低.针对该问题,该文提出一种基于跨模态空间匹配的多模态肺部肿块分割网络(MMSASegNet),其具有模型复杂度低和分割精度高的特点.该模型采用双路残差U型分割网络作为骨干分割网络,以充分提取不同模态输入特征,利用可学习的空间变换网络对其输出的多模态分割掩膜进行空间结构匹配;为实现空间匹配后的多模态特征图融合,形变掩膜和参考掩膜分别与各自模态相同分辨率的特征图进行矩阵相
针对台区线损异常状况分析效率较低,分析结果与实际值相差较大的问题,基于计算管理设计了一种新的台区线损异常状况分析模型.通过数据采集、预处理和数据聚类判定台区线损异常状况,分析数据离散状态,建立数据决策树,通过决策树节点得到台区线损数据处理量,根据预警状态判断台区线损信息.实验结果表明,基于计量管理的台区线损异常状况分析模型能够有效提高分析效率,分析结果与实际值更加吻合.
心冲击图(BCG)信号中含有睡眠时期的心跳等生理参数,采用非接触式测量,但易受干扰影响应用受限;心电图(ECG)信号应用很广,但采用接触式测量,操作不便.为了实现非接触式测量并监测心电信号,该文将无参数尺度空间法(PSA)引入并与经验小波变换(EWT)算法结合,从BCG信号中分解得到心跳分量,结果表明所提分解方法能有效地从BCG信号中最大限度地分解出心跳信号;并在此基础上通过改进的深度卷积生成对抗网络(DCGAN)重构出ECG信号.实验结果表明,该文所提信号重构算法能从心跳分量重构恢复出ECG信号,均方根
残差神经网络(ResNet)是深度学习领域的研究热点,广泛应用于医学图像处理领域.该文对残差神经网络从以下几个方面进行综述:首先,阐述残差神经网络的基本原理和模型结构;然后,从残差单元、残差连接和网络整体结构3方面总结了残差神经网络的改进机制;其次,从与DenseNet,U-Net,Inception结构和注意力机制结合4方面探讨残差神经网络在医学图像处理领域中的广泛应用;最后,讨论ResNet在医学图像处理领域中面临的主要挑战,并对未来的发展方向进行展望.该文系统梳理了残差神经网络的最新研究进展,以及在
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+).首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度.为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-