简介：摘要TD-LTE是由3G网络演变而来，它具有高传输速率、高传输质量和高移动性的特性，随着第四代数字移动通信的发展，它越来越受到全球通信界的高度重视，是未来通信的主要发展趋势。考虑到室内环境在通信中的重要地位，本文提出了TD-LTE室内覆盖的建设要求以及规划设计思路，并针对TD-LTE室内干扰、覆盖性能和建设模式选择等重要环节进行了解析，希望对初入行业者有所帮助。

简介：摘要随着人们观念的改变，绿色在室内设计中越来越为大众热衷和偏好。绿色设计讲究不仅要为住户提供美观的居住环境，更要让用户享受健康的居住条件。此外，“绿色设计”更是一种理念，旨在引导消费者提高资源利用率，降低能源消耗量，在选择家装资源时尽量选择绿色材料等。本文从绿色室内生态设计概念、绿色设计理念在室内设计中的原则方面进行了深入分析，旨在完善室内设计的“绿色设计”理念的应用。

简介：摘要目的尝试构建1个基于深度学习的内镜超声检查(endoscopic ultrasonography，EUS)质量控制系统，并验证其价值。方法从武汉大学人民医院消化内镜中心数据库中，回顾性收集2016年12月—2019年12月间的269个EUS检查资料，分为：(1)用于训练模型的训练数据集A，包含205个检查，其中16 305张图像用于分类训练，1 953张图像用于分割训练；(2)用于评估模型性能的测试数据集B，包含44个检查，其中1 606张图像用于分类验证，480张图像用于分割验证；(3)用于内镜医师与模型进行比较的数据集C，包含20个检查，共150张图像。EUS专家(具有10年以上的EUS操作经验)甲和乙通过讨论对训练集A和测试集B、C的所有图像进行分类和标注，其结果用作金标准。EUS专家丙和高年资EUS医师(具有5年以上的EUS操作经验)丁、戊对数据集C中的图像进行分类和标注，其结果用于与深度学习模型进行比较。主要观察指标包括分类的准确率、分割的Dice(F1指数)和一致性分析的Kappa系数。结果在测试数据集B中，模型分类的平均准确率为94.1%，胰腺分割的平均Dice为0.826，血管分割的平均Dice为0.841。在数据集C中，模型的分类准确率达到90.0%，专家丙、高年资医师丁和戊分别为89.3%、88.7%和87.3%；模型的胰腺和血管分割Dice系数分别为0.740和0.859，专家丙分别为0.708和0.778，高年资医师丁分别为0.747和0.875，高年资医师戊分别为0.774和0.789，模型与专家的水平相当。一致性分析结果显示，模型与内镜医师之间达成了较好的一致性(Kappa系数分别为：模型与专家丙间0.823、模型与高年资医师丁间0.840、模型与高年资医师戊间0.799)。结论基于深度学习的EUS分站和胰腺分割识别系统可以用于胰腺EUS的质量控制，具有与EUS专家相当的分类和分割识别水平。

简介：摘要目的构建基于深度学习的人工智能内镜超声（endoscopic ultrasonography，EUS）胆管扫查辅助分站系统，以期辅助医师学习多站成像技术，提高操作水平。方法回顾性收集武汉大学人民医院和武汉协和医院2016年5月—2020年10月522例EUS视频资料，基于视频截取图像，获得来自武汉大学人民医院的3 000张白光胃镜、31 003张超声胃镜图像和来自武汉协和医院的799张超声胃镜图像，用于EUS胆管扫查系统的模型训练和模型测试。模型包括：白光胃镜图像过滤模型，标准站图像与非标准站图像区分模型和EUS胆管扫查标准图像分站模型，用以将标准图像分为肝窗、胃窗、球窗、降窗。然后从测试集中随机抽取110张图像进行人机大赛，比较专家、高级内镜医师与人工智能模型对胆管扫查多站成像每个站点识别的准确度。结果白光胃镜图像过滤模型准确率为100.00%（1 200/1 200），标准站图像与非标准站图像区分模型准确率为93.36%（2 938/3 147），EUS胆管扫查标准图像分站模型在内部测试集中各分类的准确率分别为肝窗97.23%（1 687/1 735），胃窗96.89%（1 681/1 735），球窗98.73%（1 713/1 735），降窗97.18%（1 686/1 735）；外部测试集中准确率分别为肝窗89.61%（716/799），胃窗92.74%（741/799），球窗90.11%（720/799），降窗92.24%（737/799）。人机大赛中，模型分站的正确率为89.09%（98/110），高于内镜医师［85.45%（94/110），74.55%（82/110），85.45%（94/110）］，接近专家水平［92.73%（102/110），90.00%（99/110）］。结论本研究构建了一种基于深度学习的EUS胆管扫查系统，可以较为准确地实时辅助内镜医师进行标准多站扫查，提高EUS完整性及操作质量。

简介：摘要目的构建基于深度学习的超声内镜下消化道黏膜下肿物(SMT)诊断系统，为诊断SMT提供帮助。方法纳入2019年1月1日至2021年12月15日于武汉大学人民医院消化内镜中心行超声内镜检查术(EUS)和内镜黏膜下剥离术的245例经病理诊断证实的SMT患者，共收集3 400张EUS图像。选取2 722张EUS图像用于训练病灶分割模型，2 209张图像用于训练胃肠道间质瘤与平滑肌瘤病灶分类模型；分别选取283、191张图像作为独立测试集对病灶分割和分类模型进行评估；选取30张EUS图像作为独立数据集进行人机比赛以比较病灶分类模型与6名内镜医师的病灶分类准确度。采用交并比和Dice系数等指标评估病灶分割模型性能，采用准确度评估病灶分类模型性能。采用卡方检验进行统计学分析。结果病灶分割模型的平均交并比为0.754，Dice系数为0.835，精确率、召回率和F1指数分别为95.2%、98.9%和97.0%。在病灶分割的基础上，病灶分类模型的准确度由未分割时的70.2%提高至92.1%。人机比赛结果显示，分类模型鉴别胃肠道间质瘤与平滑肌瘤的准确度为86.7%(26/30)，优于6名内镜医师中的4名医师[分别为56.7%(17/30)、56.7%(17/30)、53.3%(16/30)、60.0%(18/30)]，差异均有统计学意义(χ2＝7.11、7.36、8.10、6.13，均P<0.05)；另2名医师的分类准确度分别为76.7%(23/30)、73.3%(22/30)，与模型比较差异均无统计学意义(均P<0.05)。结论该系统在将来有望用于超声内镜下SMT的辅助诊断，为后续治疗决策的选择提供有力依据。