目的:探讨无抽搐电休克治疗(modified electroconvulsive therapy,MECT)对精神分裂症患者认知功能及其氧化自由基清除剂的影响。方法:对符合国际疾病分类(10th International Classification of Diseases,ICD-10)诊断标准的精神分裂症...目的:探讨无抽搐电休克治疗(modified electroconvulsive therapy,MECT)对精神分裂症患者认知功能及其氧化自由基清除剂的影响。方法:对符合国际疾病分类(10th International Classification of Diseases,ICD-10)诊断标准的精神分裂症患者进行前后对照研究,共收集50例。在MECT前后,对患者进行认知功能测评,检测基线血清超氧化物歧化酶(superoxide dismutase,SOD)、一氧化氮(NO)和谷胱甘肽过氧化物酶(GSH-Px)水平,探索MECT对患者认知功能影响及与氧自由基及其清除剂的相关性。结果:1)MECT治疗前后P300的N1潜伏期缩短,P3波幅降低,心理测试颜色连线测验、Stroop色词测验、威斯康星卡片分类测验(WCST-128)正确应答数及持续错误数差异有统计学意义(P<0.05);2)治疗前后SOD,GPX差异无统计学意义,NO水平较治疗前降低,差异有统计学意义(P<0.05);3)MECT治疗前NO水平与精神分裂症患者的认知功能有相关性。结论:1)MECT治疗对精神分裂症患者的认知功能是有改善的;2)MECT治疗后患者NO水平降低,且治疗前的NO水平与患者的认知功能有一定的相关性,提示其可能在认知功能中起一定的作用。展开更多
目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训...目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果本文模型使用DIV2K(DIVerse 2K)数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN(super-resolution convolutional neural network)、VDSR(super-resolution using very deep convolutional network)、Lap SRN (deep Laplacian pyramid networks for fast and accurate super-resolution)和EDSRbaseline(enhanced deep residual networks for single image superresolutionbaseline)等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR(peak signal-to-noise ratio)平均分别提升了3.87 d B、1.93 d B、1.00 d B、1.12 d B和0.48 d B,网络训练效率相较非递归残差网络提升30%。结论本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于�展开更多
文摘目的:探讨无抽搐电休克治疗(modified electroconvulsive therapy,MECT)对精神分裂症患者认知功能及其氧化自由基清除剂的影响。方法:对符合国际疾病分类(10th International Classification of Diseases,ICD-10)诊断标准的精神分裂症患者进行前后对照研究,共收集50例。在MECT前后,对患者进行认知功能测评,检测基线血清超氧化物歧化酶(superoxide dismutase,SOD)、一氧化氮(NO)和谷胱甘肽过氧化物酶(GSH-Px)水平,探索MECT对患者认知功能影响及与氧自由基及其清除剂的相关性。结果:1)MECT治疗前后P300的N1潜伏期缩短,P3波幅降低,心理测试颜色连线测验、Stroop色词测验、威斯康星卡片分类测验(WCST-128)正确应答数及持续错误数差异有统计学意义(P<0.05);2)治疗前后SOD,GPX差异无统计学意义,NO水平较治疗前降低,差异有统计学意义(P<0.05);3)MECT治疗前NO水平与精神分裂症患者的认知功能有相关性。结论:1)MECT治疗对精神分裂症患者的认知功能是有改善的;2)MECT治疗后患者NO水平降低,且治疗前的NO水平与患者的认知功能有一定的相关性,提示其可能在认知功能中起一定的作用。
文摘目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果本文模型使用DIV2K(DIVerse 2K)数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN(super-resolution convolutional neural network)、VDSR(super-resolution using very deep convolutional network)、Lap SRN (deep Laplacian pyramid networks for fast and accurate super-resolution)和EDSRbaseline(enhanced deep residual networks for single image superresolutionbaseline)等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR(peak signal-to-noise ratio)平均分别提升了3.87 d B、1.93 d B、1.00 d B、1.12 d B和0.48 d B,网络训练效率相较非递归残差网络提升30%。结论本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于�
