目的探讨急性缺血性脑卒中患者血管内治疗围手术期血压与预后的相关性。方法回顾性分析郑州大学第一附属医院神经介入科2019-01—2020-02收治的单侧前循环大血管闭塞导致的急性缺血性脑卒中患者92例,根据开通前软脑膜侧支代偿等级、开...目的探讨急性缺血性脑卒中患者血管内治疗围手术期血压与预后的相关性。方法回顾性分析郑州大学第一附属医院神经介入科2019-01—2020-02收治的单侧前循环大血管闭塞导致的急性缺血性脑卒中患者92例,根据开通前软脑膜侧支代偿等级、开通后血流等级(mTICI)、90 d临床预后(mRS)分组,定义变异系数(coefficients of variation,CV)=(标准差/平均值)×100(CV=(SD/mean)×100),计算收缩压(SBP)、舒张压(DBP)、脉压(PP)、平均动脉压(MAP)的变异系数,即CV_(SBP)、CV_(DBP)、CV_(PP)、CV_(MAP),比较不同组间血压变异性。结果不同预后组CVPP存在明显差异(P=0.003),通过有序Logistic回归模型中粗略和校准优势比(ORs)的计算来评估基线变量和结果(3个月mRS)之间的相关性,发现CV_(PP)与不良的临床预后明显相关(未校准,OR=1.56,95%置信区间1.24~1.96,每增加1个单位,P′=0.0002;校准:OR=1.40,95%置信区间1.09~1.79,每增加1个单位,P=0.008)。结论机械取栓术(MT)中患者脉压的变异性(CV_(PP))与较差的临床结果独立相关,这些发现强调了密切监测血压的必要性,未来在机械取栓围手术期血压管理的指南中不仅要考虑血压的阈值,还要考虑血压的变异性。展开更多
织物缺陷在线检测是纺织行业面临的重大难题,针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题,提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构,并参考其他分类模型的经典算法,搭建出适...织物缺陷在线检测是纺织行业面临的重大难题,针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题,提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构,并参考其他分类模型的经典算法,搭建出适用于实际生产环境的织物缺陷分类模型;其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库,并用该数据库对织物缺陷分类模型进行训练;最后对高清相机在织物验布机上采集的图片进行分割,并将分割后的小图以批量的方式传入训练好的分类模型,实现对每张小图的分类,以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明:织物缺陷分类模型平均每张小图的测试时间为 0.37 ms ,平均测试时间比GoogLeNet减少了67%,比ResNet-50减少了93%;同时模型在测试集上的正确率达到 99.99%。说明其准确率与实时性均满足实际工业需求。展开更多
文摘目的探讨急性缺血性脑卒中患者血管内治疗围手术期血压与预后的相关性。方法回顾性分析郑州大学第一附属医院神经介入科2019-01—2020-02收治的单侧前循环大血管闭塞导致的急性缺血性脑卒中患者92例,根据开通前软脑膜侧支代偿等级、开通后血流等级(mTICI)、90 d临床预后(mRS)分组,定义变异系数(coefficients of variation,CV)=(标准差/平均值)×100(CV=(SD/mean)×100),计算收缩压(SBP)、舒张压(DBP)、脉压(PP)、平均动脉压(MAP)的变异系数,即CV_(SBP)、CV_(DBP)、CV_(PP)、CV_(MAP),比较不同组间血压变异性。结果不同预后组CVPP存在明显差异(P=0.003),通过有序Logistic回归模型中粗略和校准优势比(ORs)的计算来评估基线变量和结果(3个月mRS)之间的相关性,发现CV_(PP)与不良的临床预后明显相关(未校准,OR=1.56,95%置信区间1.24~1.96,每增加1个单位,P′=0.0002;校准:OR=1.40,95%置信区间1.09~1.79,每增加1个单位,P=0.008)。结论机械取栓术(MT)中患者脉压的变异性(CV_(PP))与较差的临床结果独立相关,这些发现强调了密切监测血压的必要性,未来在机械取栓围手术期血压管理的指南中不仅要考虑血压的阈值,还要考虑血压的变异性。
文摘织物缺陷在线检测是纺织行业面临的重大难题,针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题,提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构,并参考其他分类模型的经典算法,搭建出适用于实际生产环境的织物缺陷分类模型;其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库,并用该数据库对织物缺陷分类模型进行训练;最后对高清相机在织物验布机上采集的图片进行分割,并将分割后的小图以批量的方式传入训练好的分类模型,实现对每张小图的分类,以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明:织物缺陷分类模型平均每张小图的测试时间为 0.37 ms ,平均测试时间比GoogLeNet减少了67%,比ResNet-50减少了93%;同时模型在测试集上的正确率达到 99.99%。说明其准确率与实时性均满足实际工业需求。
