简介:摘要:在社会发展的影响下,技术水平不断进步,其中,成像激光雷达是一种有源成像系统,使用脉冲激光发射器和面阵接收器产生 3D距离图像,具有广范围精度和宽范围门等特性。文中通过静态弥散宽度对图像模糊的影响分析,提出了时间分辨信号分布模型和改进范围精度分析方法。通过激光雷达测距系统试验分析表明,利用该模型得到的最佳静态弥散宽度对距离成像精度有显著影响,能够在白天强背景环境下对室内和室外的 10m和 1700m目标进行距离成像。在室内成像中,当静态弥散宽度为 43.4μm时获得的最优测距精度为 0.06m,在室外成像中,获得了测距误差为 0.25m的分米级 3D图像。该方法能够有效地提高激光雷达成像距离和成像精度,从而提高交通流测距和测速的精度。
简介:摘要目的观察黄斑毛细血管扩张症(MacTel)炫彩及多模式眼底影像特征。方法采用系列病例观察研究,分析2019年1—11月就诊于山东省眼科医院、经荧光素眼底血管造影(FFA)检查确诊为MacTel的患者12例16眼,其中MacTel Ⅰ型8例8眼,男4例4眼,女4例4眼,平均年龄(62.3±12.5)岁;MacTel Ⅱ型4例8眼,均为女性,平均年龄(58.7±10.5)岁。所有受试者均行最佳矫正视力、裂隙灯显微镜、彩色眼底照相、炫彩眼底激光扫描成像、FFA、光相干断层扫描(OCT)及光相干断层扫描血管成像(OCTA)检查,观察不同类型MacTel特征。结果彩色眼底照相结果显示,MacTel Ⅰ型患眼中,6眼黄斑区环形渗出合并水肿,1眼黄斑水肿不伴硬性渗出,1眼黄斑硬性渗出不伴水肿;MacTel Ⅱ型患眼中心凹颞侧视网膜透明度下降呈灰色。炫彩眼底激光扫描成像显示,MacTel Ⅰ型患眼黄斑渗出呈现点状黄色颗粒,黄斑水肿呈黄绿色,成像较彩色眼底照相清晰,蓝光及绿光反射图均见渗出的点状显影,且绿光反射图显影最强,蓝光显影次之,红外光显影最弱;MacTel Ⅱ型患眼黄斑颞侧呈绿色,成像较彩色眼底照相明显清晰,蓝光反射图显影最强,绿光显影次之,红外光显影最弱。在OCT检查中,MacTel Ⅰ型患眼表现为内层视网膜囊样水肿或外丛状层视网膜不均匀强反射信号;MacTel Ⅱ型患眼视网膜内外层结构缺失,空腔形成,其中2例出现外层视网膜萎缩等表现。在OCTA检查中,MacTel Ⅰ型和Ⅱ型患眼均表现为黄斑区浅层、深层毛细血管丛破坏,以深层毛细血管丛破坏更明显;MacTel Ⅱ型患眼血管间隙增大、血管密度降低、中心凹无血管区扩大更明显。在FFA检查中,MacTel Ⅰ型患眼表现为早期黄斑中心凹旁毛细血管充盈迟缓,颞侧血管扩张,部分呈瘤样扩张,后期瘤样扩张处局限性增强;MacTel Ⅱ型患眼表现为不同程度的早期黄斑中心凹旁小血管扩张,晚期黄斑区偏颞侧毛细血管呈弥漫性强荧光。结论炫彩眼底激光扫描成像技术能清晰地显示MacTel的形态特征,MacTel Ⅰ型与Ⅱ型影像特征差异明显。
简介:摘要目的研制基于深度卷积神经网络的放大蓝激光成像(ME-BLI)和放大窄带成像(ME-NBI)模式下早期胃癌识别系统,比较2种模式下模型的性能差异,并探讨模型训练方式对准确度的影响。方法回顾性收集ME-BLI和ME-NBI下的胃良性病灶和早期胃癌的内镜图像,共收集5个数据集和3个测试集:数据集1包括2 024张非癌和452张早期胃癌ME-BLI图片,数据集2包括2 024张非癌和452张早期胃癌ME-NBI图片,数据集3是数据集1和2的合集(共4 048张非癌、904张早期胃癌ME-BLI和ME-NBI图片),数据集4在数据集2的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共2 086张非癌和2 757张早期胃癌ME-NBI图片),数据集5在数据集3的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共4 110张非癌、3 209张早期胃癌ME-BLI和ME-NBI图片);测试集A包括422张非癌和197张早期胃癌ME-BLI图片,测试集B包括422张非癌和197张早期胃癌ME-NBI图片,测试集C是测试集A和测试集B的合集(共844张非癌、394张早期胃癌ME-BLI和ME-NBI图片)。根据5个数据集分别构建5个模型,分别评估其在3个测试集中的表现。通过以病灶为单位的视频测试,比较ME-NBI和ME-BLI模式下早期胃癌识别模型在临床环境下的性能差异,并与4名资深内镜医师进行比较。主要终点指标为早期胃癌的诊断准确度、灵敏度和特异度。采用卡方检验进行统计学分析。结果模型1在测试集A的表现最佳,准确度、灵敏度、特异度分别为76.90%(476/619)、63.96%(126/197)、82.94%(350/422);模型2在测试集B的表现最佳,准确度、灵敏度和特异度分别为86.75%(537/619)、92.89%(183/197)、83.89%(354/422);模型3在测试集B中的表现最佳,准确度、灵敏度和特异度分别为86.91%(538/619)、84.26%(166/197)、88.15%(372/422);模型4在测试集B的表现最佳,准确度、灵敏度和特异度分别为85.46%(529/619)、95.43%(188/197)、80.81%(341/422);模型5在测试集B的表现最佳,准确度、灵敏度和特异度分别为83.52%(517/619)、96.95%(191/197)、77.25%(326/422)。根据图片识别早期胃癌,模型2~5的准确度均高于模型1,差异均有统计学意义(χ2=147.90、149.67、134.20、115.30,P均<0.01);模型2和3的灵敏度和特异度均高于模型1,模型2的特异度低于模型3,差异均有统计学意义(χ2=131.65、64.15、207.60、262.03、96.73,P均<0.01);模型4和5的灵敏度均高于模型1~3,模型4和5的特异度均低于模型1~3,差异均有统计学意义(χ2=151.16、165.49、71.35、112.47、132.62、153.14,176.93、74.62、14.09、15.47、6.02、5.80,P均<0.05)。以病灶为单位的视频测试结果显示,医师1~4的平均准确度为68.16%;模型1~5的准确度分别为69.47%(66/95)、69.47%(66/95)、70.53%(67/95)、76.84%(73/95)和80.00%(76/95)。模型1~5之间、模型1~5与医师1~4之间的准确度比较差异均无统计学意义(P均>0.05)。结论基于深度学习的ME-BLI早期胃癌识别模型具有较好的准确度,但诊断效果略差于ME-NBI模型;ME-NBI联合ME-BLI早期胃癌识别模型的诊断效果优于单独模式下的模型;增加ME-NBI图片数量,尤其是早期胃癌图片,可以提高ME-NBI模型的灵敏度,但特异度有所下降。