急性缺血性卒中 (AIS) 仍然是全球致残和死亡的主要原因 (1)。大血管闭塞 (LVO) 尤其与更严重的表现缺陷有关,并且是导致功能依赖和死亡率上升的主要原因 (2)。血管内治疗对 LVO 的影响是深远的,减少一名患者的残疾需要治疗的人数为 2.6 (3)。加快血栓切除术至关重要,因为从门诊到血运重建的时间每缩短 15 分钟,独立行走和功能结果的比率就会提高 (4)。因此,及时诊断 LVO 对于选择符合条件的患者以及在患者转诊和治疗方面提供更大的灵活性至关重要。急性卒中分诊的时间依赖性对于工作繁忙的放射科医生来说可能具有挑战性,但自动检测工具有望筛查并优先处理工作列表顶部的阳性 LVO 病例,从而使放射科医生能够首先诊断最需要时间的患者 (5)。用于自动检测 LVO 的商业软件越来越多地用于临床工作空间。一些工具基于传统的机器学习算法,而另一些工具则使用深度学习 (6、7)。RAPID LVO (RAPID 4.9、iSchemaView、加利福尼亚州门洛帕克) 是一种传统的机器学习模型,已证实的灵敏度和特异性分别为 97% 和 74% (6)。CINA LVO(Avicenna.ai,法国拉西奥塔)是一种深度学习模型,其灵敏度和特异性分别为 98.1% 和 98.2%(7)。尽管这些商业人工智能工具可用于 LVO 检测,但在现实环境中比较传统机器学习和深度学习解决方案的数据仍然不足。据我们所知,这是第一项在综合性卒中中心比较 LVO 工具的研究。本研究的具体目的是比较和验证 RAPID LVO 和 CINA LVO 在前循环卒中 LVO 检测中的表现,并描述每种方法的局限性。
摘要:背景/目的:青光眼发展涉及血管因素,包括诸如高胆固醇血症(HC),全身动脉高血压(SAH)和糖尿病(DM)等疾病。这项研究的目的是确定青光眼疾病对腹膜血管密度(SPVD)和黄斑血管密度(SMVD)对高脂质血管丛的影响,从而控制了Glaucoma患者和正常受试者在SAH,DM和HC等合并症上的差异。方法:在155名青光眼患者和162名正常受试者中,测量了这项前瞻性,独立的,观察性的横断面研究,SPVD和SMVD。分析了正常受试者和青光眼患者组之间的差异。进行了95%置信和80%统计功率的线性回归模型。结果:对SPVD影响更大的参数是青光眼诊断,性别,假冒药和DM。青光眼患者的SPVD比健康受试者低1.2%(β斜率1.228; 95%CI 0.798–1.659,p <0.0001)。女性的SPVD比男性高1.19%(Beta斜率1.190; 95%CI 0.750–1.631,p <0.0001),而Phakic患者的SPVD比男性高1.7%(Beta Slope 1.795; 95%CI 1.311-1.311-2.280,p <0.0001)。此外,DM患者的SPVD比非糖尿病患者低0.9%(β斜率0.925; 95%CI 0.293–1.558,p = 0.004)。SAH和HC不影响大多数SPVD参数。SAH和HC患者在外圈中的SMVD比没有合并症的受试者低1.5%(Beta斜率1.513; 95%CI 0.216–2.858,p = 0.021和1.549; 95%CI 0.240-2.858,p = 0.022。结论:青光眼诊断,先前的白内障手术,年龄和性别似乎比SPVD和SMVD上的SAH,DM和HC的影响更大,尤其是SPVD。
我们提出了一个半监督域自适应框架,用于从不同的图像模态中分割脑血管。尽管可用的脑血管成像技术范围很广,但现有的最先进的方法只关注单一模态。这可能导致显著的分布变化,从而对跨模态的泛化产生负面影响。通过依赖带注释的血管造影和有限数量带注释的静脉造影,我们的框架完成了图像到图像的转换和语义分割,利用解开的、语义丰富的潜在空间来表示异构数据并执行从源域到目标域的图像级自适应。此外,我们降低了基于循环的架构的典型复杂性并最大限度地减少了对抗训练的使用,这使我们能够构建一个具有稳定训练的高效、直观的模型。我们在磁共振血管造影和静脉造影上评估了我们的方法。在源域中实现最佳性能的同时,我们的方法在目标域中的 Dice 得分系数仅低 8.9%,凸显了其在不同模态下进行稳健脑血管图像分割的巨大潜力。
Vessel Conditions: • LNG/MGO dual fueled new built vessel • Fuel Price: LNG 900 USD/MT、MGO 700 USD/MT • Sailing Speed: adjusted to most optimal speed between 11.5 – 14 knots • Port Cost: 30,000 – 50,000 USD/Call subject to to vessel size • Others: Reasonable allowance (bad weather, delay,etc) is taken into consideration.
事实信息.................... ... .................................................... 5 事故发现...................................................................................................................................................... 11 搜救工作...................................................................................................................................................... 11 应急响应和事故调查................................................................................................................................ 11 . . . 13 医疗和病理信息. . . . . . . . . . . . . . . 16 损伤. . . . . . . . . . . . . . . . . . . . 16 毒理学测试. . . . . . . . . . . . . . . . . . . . . . . . . . . 17 人员信息. . . . . . . . . . . . . . . . . . . . 17 晨露操作员和乘客. . . . . . . . . . . . . . . . . . 17 海岸警卫队人员. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 机械和电气系统 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 晨露的历史.......................................................................................................................................................................................................................................................................22 船舶损坏..................................................................................................................................................................................................................................................................................................................................................23 水道信息..................................................................................................................................................................................................................................................................................................................................23 航道信息..................................................................................................................................................................................................................................................................................................................................................24 . . . . . . . . . . . . . . . . . . . . . . 24 ICW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Winyah 湾 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................. 27 海岸警卫队查尔斯顿通信系统调查 .................................................................................................................................. 27 0217 求救呼叫 .................................................................................................................................................................................. .................................................................................................................................. ........................................................................................................................................ 27 0217 求救呼叫 .................................................................................................................................................................................................. .................................................................................................................................. ..................................................................................................................29 无线电传输和电话通话记录审查 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 值班人员安排 . . . . . . . . . . . . . . . . . . 35 值班人员培训 . . . . . . . . . . . . . . . . . . . . 36 NSWC-CD 调查 . . . . . . . . . . . . . . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... . ... ...41
事实信息. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................. 5 事故发现...................................................................................................................................... 11 搜救工作...................................................................................................................................... 11 应急响应和事故调查................................................................................................................ 11 . . . . . 13 医疗和病理信息. . . . . . . . . . . . . . . 16 损伤. . . . . . . . . . . . . . . . . . . . 16 毒理学测试. . . . . . . . . . . . . . . . . . . . . . . . . . 17 人员信息. . . . . . . . . . . . . . . . . . . . 17 晨露操作员和乘客. . . . . . . . . . . . . . . . . 17 海岸警卫队人员. . . . . . . . . . . . . . ...
4 威康综合神经影像中心(牛津大脑功能磁共振成像与人类大脑活动中心)英国牛津大学纳菲尔德临床神经科学与精神病学系
步态障碍是脑小血管疾病(CSVD)的重要临床特征,它增加了跌倒和残疾的风险。大脑结构改变和CSVD患者的步态障碍已得到很好的证明。然而,步态障碍患者的内在静止脑功能模式在很大程度上尚不清楚。58名CSVD患者已参与我们的研究,并根据步态检查分为步态障碍组(CSVD-GD,n = 29)和NOT-NGAIT障碍组(CSVD-NGD,n = 29)。步态通过定时和GO测试以及能量消耗和活动的智能设备(IDEEA)进行定量评估。使用低频频率(FALFF)分析的功能性MRI和分数幅度用于探索局部固有的神经振荡改变。基于Falff结果的功能连接性被计算出来,以检测远程连接的潜在变化。与CSVD-NGD组相比,CSVD-GD组在主要位于感觉运动网络和额叶网络的区域中显示出Falff的下降,例如左侧补充运动区域(SMA.L)和左侧的顶壁回和左下角,并增加了右下角的Falff,在右下角吉里(Orbital Gyrus(Orbital Part)中,左下角是左侧的Pureane,以及左CARAINE,以及左CARAINE,以及左侧的caudate,pured caudaud of puretaud of caud od pured of tod of tod。此外,CSVD-GD患者在SMA.L和颞叶之间表现出较低的连通性,这与步态速度有关。sma.l的falff值与节奏有关。这项研究强调了步态障碍的CSVD患者中SMA的区域和网络相互作用异常。这些发现可以进一步了解CSVD中步态障碍的神经机制。
摘要探索神经变性和脑小血管疾病(SVD)可以介导2型糖尿病和较高痴呆症风险之间的关联。分析样本由2228名参与者组成,来自三城市研究,年龄在65岁及65岁及以上,没有痴呆症的痴呆症。糖尿病是通过药物摄入或禁食或非燃料升高的葡萄糖水平来定义的。 在最多12年的随访期间,每2至3年评估痴呆状态一次。 脑实质分数(BPF)和白质超强度体积(WMHV)分别选择为神经变性的标记和脑SVD。 我们使用线性和COX模型对年龄,性别,教育水平,高血压,高胆固醇血症,BMI,BMI,吸烟和饮酒状态,APOE-apoE-apoE-apoE-apoe-apoE-ε4状态以及研究地点进行了调整,对基线BPF和WMHV(介体)对糖尿病与痴呆症风险之间关联的影响进行了调解分析。 基线时,有8.8%的参与者患有糖尿病。 糖尿病(是vs. no)与较高的WMHV(β糖尿病= 0.193,95%CI 0.040; 0.346)和较低的BPF(β糖尿病= -0.342,95%CI -0.474; -0.474; −0.210; -0.210; − -0.210; -195%),以及1.1的风险超过了12年。 CI 1.04; 糖尿病状况与痴呆症风险之间的关联是由较高的WMHV(HRDIAB = 1.05,95%CI 1.01; 1.11; 1.11,介导的零件= 10.8%)和较低的BPF(HR DIAB = 1.12,95%CI 1.05; 1.20; 1.20; 1.20; 1.20,介导的部分= 22.9%)介导的。 这项研究表明,神经退行性变性和脑SVD统计上都解释了糖尿病与痴呆症之间几乎30%的关联。糖尿病是通过药物摄入或禁食或非燃料升高的葡萄糖水平来定义的。在最多12年的随访期间,每2至3年评估痴呆状态一次。脑实质分数(BPF)和白质超强度体积(WMHV)分别选择为神经变性的标记和脑SVD。我们使用线性和COX模型对年龄,性别,教育水平,高血压,高胆固醇血症,BMI,BMI,吸烟和饮酒状态,APOE-apoE-apoE-apoE-apoe-apoE-ε4状态以及研究地点进行了调整,对基线BPF和WMHV(介体)对糖尿病与痴呆症风险之间关联的影响进行了调解分析。基线时,有8.8%的参与者患有糖尿病。糖尿病(是vs. no)与较高的WMHV(β糖尿病= 0.193,95%CI 0.040; 0.346)和较低的BPF(β糖尿病= -0.342,95%CI -0.474; -0.474; −0.210; -0.210; − -0.210; -195%),以及1.1的风险超过了12年。 CI 1.04;糖尿病状况与痴呆症风险之间的关联是由较高的WMHV(HRDIAB = 1.05,95%CI 1.01; 1.11; 1.11,介导的零件= 10.8%)和较低的BPF(HR DIAB = 1.12,95%CI 1.05; 1.20; 1.20; 1.20; 1.20,介导的部分= 22.9%)介导的。这项研究表明,神经退行性变性和脑SVD统计上都解释了糖尿病与痴呆症之间几乎30%的关联。
视网膜血管在检测视网膜疾病(包括高血压性视网膜病)中的生物标志物中起着关键作用。这些视网膜容器的手动识别既是资源密集的又耗时。自动化方法中血管分割的履带直接取决于眼底图像的质量。在亚最佳图像质量的实例中,应用基于深度学习的方法作为精确分割的一种更有效的方法。我们提出了一个异质的神经网络,结合了卷积神经网络和远距离空间特征挖掘变压器网络结构的局部语义信息提取的好处。这种跨注意网络结构增强了该模型在视网膜图像中处理血管结构的能力。在四个公开数据集上进行的实验证明了我们的模型在血管分割方面的出色性能以及高血压视网膜病变量化的巨大潜力。