简介：摘要：基于网络数据库技术的教学实施计划管理系统，实现了教学课程和实施计划信息化管理，密切了教研室和教学管理部门的联系，集成了课表查询、考核计划、调课申请等功能，为教学计划的顺利开展创造了有利的条件。该系统使用数据库技术和ASP.NET网络编程技术，充分利用现有的网络资源，为学校教学信息化条件建设提供了支持。

简介：摘 要：声幅-变密度测井资料的验收，主要涉及两个方面，一是深度的检查，可以从五个方面对深度进行检查，二是曲线质量的检查，本文主要论述利用FORWARD.NET软件对曲线深度和质量进行快速直观检查的方法，提高验收资料的速度和准确度。

简介：摘要目的研究北京永新医疗设备有限公司的NET632型SPECT与德国西门子公司的Symbia T16型SPECT/CT在全身骨骼显像中的等效性。方法选取2018年3月至9月于内蒙古医科大学附属医院行Symbia T16型SPECT/CT全身骨骼显像结果为阳性病灶的患者32例，其中男性21例、女性11例，年龄（60.87±12.25）岁。32例患者均使用NET632型SPECT行全身骨骼显像。将两种仪器的显像图像采用图像评分标准进行评分，比较阳性病灶累及区域和病灶数量。结果Symbia T16型SPECT/CT的图像质量评分为5分的患者有18例、4分的有14例，无3分及以下的患者；NET632型SPECT的图像质量评分为5分的患者有16例、4分的有16例，无3分及以下的患者。Symbia T16型SPECT/CT全身骨显像共发现阳性病灶累及区域数为84个，累及部位为胸部、脊柱、骨盆、四肢和颅骨，病灶数量分别为19、24、20、16、5个；NET632型SPECT在相同位置发现与其数目相等的病灶。结论永新医疗的NET632型SPECT与西门子公司的Symbia T16型SPECT/CT在全身骨骼显像探测病灶方面具有等效性。

简介：摘要目的探讨使用U-Net深度学习网络对MRI表观扩散系数（ADC）图像中前列腺癌（PCa）自动分割及定位的可行性。方法回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者，根据病理结果将所有患者分为PCa组（n=184）与非PCa组（n=61），并随机分为训练集（PCa 129例，非PCa 19例）、验证集（PCa 18例，非PCa 3例）和测试集（PCa 37例，非PCa 39例）。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶，并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后，采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准，用Dice相似系数（DSC）评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能，以6分区法评价模型对癌灶自动定位的准确性。结果测试集中，医师标注癌灶51个，最大径线为（1.9±0.7）cm，6分法癌灶分区456个（PCa区122个、非PCa区334个）。以病灶为单位，AI模型对测试集PCa的分割DSC为（70.2±21.7）%，检出癌灶的灵敏度94.1%（48/51）。以患者为单位，AI模型检出PCa患者灵敏度为97.3%（36/37），特异度为66.7%（26/39），准确度为81.6%（62/76）。AI模型对PCa癌灶定位分区的准确度为90.8%（414/456），对癌区检出的灵敏度为95.1%（116/122），特异度为89.2%（298/334）。结论U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度，对PCa 6分区定位具有较高的准确度，预测结果可自动填写入结构化报告，进一步提高了临床工作效率。

简介：摘要目的探讨基于U-Net神经网络的肥厚型心肌病（hypertrophic cardiomyopathy ，HCM）与高血压性左心室肥厚（hypertensive left ventricular hypertrophy，HLVH）的磁共振图像定量分析与鉴别。材料与方法回顾性分析2017年国际医学图像计算和计算机辅助干预协会（Medical Image Computing and Computer Assisted Intervention Society，MICCAI)一项心脏疾病自动诊断挑战项目中包含的100例心脏疾病患者以及2014年7月至2019年3月上海交通大学医学院附属仁济医院确诊的45例HCM与48例HLVH患者。MICCAI数据集作为训练集和验证集，随机挑选5例HCM病例和5例HLVH病例作为测试集，得到一个基于U-Net的心脏自动分割神经网络。对所有入组的HCM与HLVH患者的心脏磁共振图像进行自动分割并提取多项量化参数，采用独立t检验比较各项量化参数在HCM组与HLVH组间的差异，采用多因素logistic回归法对有统计学差异的变量进一步分析建模，使用4折交叉验证方法结合ROC法对模型的分类性能进行验证。结果55项量化参数中有13项在HCM组与HLVH组之间存在显著性差异，有3项指标对两者的鉴别分类具有显著性影响。4折交叉验证得到的ROC曲线下面积分别为0.939、0.984、0.972和0.963，其中最佳模型对应的测试集准确率为86.96% (20/23)。结论U-Net神经网络分割心脏磁共振影像可以提供更多量化信息，有助于鉴别肥厚型心肌病与高血压性左心室肥厚。