简介：摘要:近年来随着计算机硬件性能的提升以及人工智能技术的发展,使用人工智能手段处理地震数据已成为新的研究热点｡深度学习是一种基于数据驱动的方法｡不依赖于物理方程与公式理论,仅通过大量数据训练,便可以学习输入数据和标签数据间的映射关系,并利用这种映射关系解决相似的问题｡

简介：摘要目的通过训练生成对抗网络（generative adversarial network，GAN）模型，构建一种包括跨中线上颌骨缺损的虚拟重建方法，以期为临床提供参考。方法收集2015年6月至2022年6月于四川大学华西口腔医院影像科就诊的汉族成年口腔疾病患者CT资料，选择100例健康上颌骨及15例上颌骨缺损（5例单纯单侧缺损、5例单侧缺损并累及颧骨、5例跨中线缺损）CT数据。应用Mimics软件在健康上颌骨数据及其附近区域创建球型模体并模拟上颌骨缺损，分别为单纯单侧缺损、单侧缺损并累及颧骨、跨中线缺损，以原始图像为虚拟重建的正确参照；人工缺损与正确参照配对后分为训练集（70例）、验证集（20例）以及测试集（10例），前两者用于训练GAN模型，测试集用于评估GAN性能。15例上颌骨缺损CT数据导入训练完成后的GAN模型中进行虚拟重建，对单侧缺损分别采取镜像和基于GAN的方式进行虚拟重建，而对跨中线缺损仅采取基于GAN的方式进行虚拟重建，重建结果分为镜像重建组（10例）、单侧缺损GAN重建组（10例）和跨中线缺损GAN重建组（5例）。对测试集、镜像重建组、单侧缺损GAN重建组进行定量评价，定量指标为Dice相似性系数（Dice similarity coefficient，DSC）和95%豪斯道夫距离（95% Hausdorff distance，HD95），对各组结果进行单因素方差分析和Tukey检验。对测试集、镜像重建组、单侧缺损GAN重建组和跨中线缺损GAN重建组进行定性评分，对各组总分进行Kruskal-Wallis检验和事后检验（Bonferroni校正法）。结果测试集、镜像重建组、单侧缺损GAN重建组DCS（分别为0.891±0.049、0.721±0.047、0.778±0.057）和HD95［分别为（3.58±1.51）、（5.19±1.38）、（4.51±1.10）mm］的总体差异均有统计学意义（F=28.08，P<0.001；F=3.62，P=0.041）；其中，测试集DSC显著大于镜像重建组（P<0.05），测试集HD95显著小于镜像重建组（P<0.05）。测试集、镜像重建组、单侧缺损GAN重建组、跨中线缺损GAN重建组定性总分［分别为8（1）、6（2）、6（2）和4（2）分］的总体差异有统计学意义（H=18.13，P<0.001）；两两比较显示，测试集总分显著高于镜像重建组（P<0.05）。结论本项研究提出的基于GAN的虚拟重建方法，其单侧缺损虚拟重建效果优于镜像技术，亦可实现跨中线上颌骨缺损的虚拟重建。

简介：摘要目的探讨深度学习重建（DLR）较混合迭代重建（Hybrid IR）在改善胸部低剂量CT（LDCT）图像质量方面的效果。方法回顾性分析2020年10月至2021年3月在北京协和医院行胸部LDCT体检或因肺内结节定期复查的77例患者。对所有入组患者的影像资料进行不同算法重建，获得标准级别Hybrid IR图像、标准和强级别DLR图像。在3种图像的肺实质、主动脉、肩胛下肌及腋下脂肪内选取感兴趣区并测量其CT值和标准差，用于计算信噪比（SNR）和对比噪声比（CNR）。同时，由2名影像医师按照Likert 5分量表法对图像质量进行主观评分，且记录肺磨玻璃结节（GGN）的数量，并对其显示情况进行评分。2名医师评分不一致时由第3名医师评分决定。采用Kruskal-Wallis非参数检验对3种图像的主观和客观评分进行分析，若总体存在差异，则用Bonferroni校正检验进行组内两两比较。结果3种图像在肺实质、主动脉、肩胛下肌及腋下脂肪处的CT值差异均无统计学意义（P均>0.05），而图像噪声、SNR和图像的CNR差异均有统计学意义（P均<0.05）。其中标准级别Hybrid IR图像、标准和强级别DLR图像的CNR分别为0.71（0.49，0.88）、1.06（0.78，1.32）和1.14（0.84，1.48）。标准级别和强级别DLR图像均较标准级别Hybrid IR图像的主观和客观噪声低及SNR和CNR高，差异均有统计学意义（P均<0.05）。在对主要解剖结构（肺裂、肺血管、气管和支气管、淋巴结、胸膜和心包）和GGN的显示上，标准级别和强级别DLR图像评分明显优于Hybrid IR图像，差异均有统计学意义（P均<0.05）。结论与Hybrid IR相比，DLR可以明显降低LDCT图像的噪声，且对GGN的显示良好，有助于在较低辐射剂量水平时保证图像质量，从而改善采用CT行肺癌筛查及肺结节随访的安全性。

简介：摘要近年来，CT图像算法中基于深度学习的图像重建（DLIR）技术不断发展，日益成熟，目前已经逐步应用于临床实践中。DLIR算法较常规迭代重建算法具有在降低辐射剂量和图像噪声的同时不改变图像纹理，保持或提高解剖细节显示能力、总体图像质量和医生诊断信心的众多优势。因此，笔者重点就DLIR算法的原理、优劣势及其在人体各系统的临床应用进展进行综述，旨在进一步提高对DLIR算法的认识，并对其可能的应用情景提供借鉴。

简介：摘要深度学习图像重建算法是目前CT图像重建领域最为前沿的技术，随着算法的不断优化和模型泛化性的提升，适用人群和全身各部位的临床应用也在不断拓展，在疾病诊治中发挥了重要作用。深度学习图像重建算法能够降低图像噪声、消除伪影、避免“过度平滑”的视觉感观，提升主观诊断效能，并有助于CT检查中辐射剂量的降低。此外，深度学习图像重建算法不影响CT图像重建的速度，能够满足临床工作流的需求。随着对深度学习图像重建算法的不断探索以及临床应用的拓展，可以挖掘深度学习图像重建算法的潜在优势，提升CT临床应用的能力。

简介：摘要：图像的超分辨率重建具体是指借助相关算法提升图片分辨率的技术。当前，人工智能和数字化的不断推进，使得单幅图像超分辨率重建在医学成像领域得到长足发展和广泛推广。本文重点从图像超分辨率技术研究现状、在医学领域应用、基于深度学习的单幅超分辨率重建技术的处理流程以及基于深度学习的单模图像超分辨率重建技术及其对比等方面进行介绍与分析，并对制约基于深度学习的单模图像超分辨率重建技术的问题进行剖析。

简介：摘要目的通过深度学习(DL)PET图像重建方法，提升不同采集时间18F-脱氧葡萄糖(FDG)PET图像质量。方法回顾性分析2020年9月至10月间山西医科大学第一医院核医学科45例恶性肿瘤患者[男20例、女25例，年龄(52.0±13.6)岁]PET图像。选择原始列表模式PET数据的短时30 s/床位PET图像作为输入，采用Unet网络，以全剂量标准采集时间(3 min)PET图像为模型判别标准，建立DL图像重建模型，以预测全剂量PET图像。分别对DL、30 s、90 s和120 s 4组图像进行图像质量评估及定量分析。采用5分法主观评估4组的图像质量。分别测量各组图像肝本底及肿瘤病灶定量参数：最大标准摄取值(SUVmax)、平均标准摄取值(SUVmean)、标准差(SD)、信噪比(SNR)、对比度噪声比(CNR)及一阶纹理特征(偏度、峰度、均匀度和熵)。采用Kappa检验、χ2检验、单因素方差分析(最小显著差异t检验)进行数据分析。结果4组图像质量评分具有高度一致性(Kappa＝0.799，P<0.001)，DL组评分≥3分共6例，30 s、90 s和120 s组评分≥3分别有4、7和8例(χ2＝125.47，P<0.001)。DL组肝SD明显低于30 s组(0.26±0.07与0.43±0.11；F＝3.58，t＝-7.91，P<0.05)，SNR高于30 s组(11.04±4.36与5.41±1.41；F＝10.22，t＝5.40，P<0.05)；DL组肝SD及SNR与90 s组一致(0.39±0.16, 8.46±3.34；t值：-0.87和2.17，均P>0.05)。在18个高摄取肿瘤病灶中，DL组病灶SNR及CNR均高于30 s组(60.21±29.26与38.38±16.54，22.26±15.85与15.41±9.51；F值：13.09和7.05，t值：5.20和4.04，均P<0.001)。4组肝一阶纹理特征差异有统计学意义(F值：4.30~9.65，均P<0.05)，但DL组与120 s组间差异无统计学意义(t值：-1.25~0.15，均P>0.05)。结论DL重建模型能较好地改善短帧PET图像质量，可以满足临床诊断、疗效评估和组学研究的需求。

简介：学生的学习不同于其他人的学习。它是学生个体作为教学认识的主体在教学活动中所进行的一种特殊的认识活动，它以言语意义接受学习为其主要学习方式，物质实践探究学习不可少但只能为辅。“重建学习概念”的论者对教学认识论的批判是站不住脚的，而“重建”的学习概念既在学理上难以成立，也在实践中行不通。在课程与教学改革中必须坚持教学认识论的学习观。

简介：摘要：深度学习是一种相对浅层学习所提出的学习理论，意在让学生通过批判质疑已知的方式实现对知识的精加工，获得强烈的学习体验感与成就感，在真正的学习过程中发展综合素质能力。“突出学生学习主体性”“强调学生自主学习”“关注学生自我增值”是深度学习理论的鲜明特征。因此，在核心素养视域下的小学数学课堂教学中，若想让学生实现深度学习，教师就要采用行之有效的策略方法转变学生的学习观念、调整学生的学习状态、完善学生的学习方式。文章旨在探讨小学数学深度学习的路径，以提高小学数学教学质量和学生学习效果。

简介：

简介：摘要目的探讨深度学习重建（DLR）较混合迭代重建（HIR）在降低CT肺动脉成像（CTPA）辐射剂量中的作用及对图像质量的影响。方法前瞻性纳入2020年12月至2021年4月在北京协和医院临床疑诊为急性肺动脉栓塞（APE）或因其他肺动脉疾病需行CTPA检查的患者100例，根据区组随机化分为HIR组、DLR组，每组50例，记录患者的性别、年龄及体质指数（BMI）。HIR组、DLR组噪声指数（SD）分别设置为8.8、15，其他扫描参数及对比剂注射方案相同，分别采用HIR、DLR算法重建。计算有效剂量（ED）及体型特异性扫描剂量（SSDE）。在1~3级肺动脉管腔、双侧椎旁肌勾画感兴趣区（ROI），记录各ROI CT值及标准差值，计算图像的信噪比（SNR）、对比噪声比（CNR）。由2名高年资医师采用盲法，以Likert 5分制对2组图像进行主观评估，评分不一致时由第3名医师综合判定。采用独立样本t检验对比2组患者一般资料、辐射剂量及客观图像质量，采用Mann-Whitney U检验对主观噪声、肺动脉分支显示、诊断信心进行组间比较，计算线性加权Kappa系数分析2名医师评分的一致性。结果HIR组、DLR组患者性别、年龄、BMI差异无统计学意义（P>0.05）。HIR组与DLR组图像1~3级肺动脉及椎旁肌CT值差异无统计学意义（P>0.05）。DLR组平均ED为1.3 mSv，SSDE中位数为4.20 mGy，均较HIR组降低约35%，但DLR组CTPA图像的SNR（30±5）、CNR（26±5）均高于HIR组（分别为23±5、20±5，t值分别为-6.60、-5.90，P<0.001）。DLR组主观图像噪声得分明显高于HIR组（Z=-7.34，P<0.001），且2名医师一致性高（Kappa=0.847，95%CI 0.553~1.000）；DLR组与HIR组图像在肺动脉分支显示以及医师诊断信心得分上差异无统计学意义（Z分别为-0.259、-0.296，P>0.05）。结论DLR能够进一步降低CTPA检查辐射剂量，提高图像质量且不影响医师诊断信心，值得在临床推广。

简介：摘要目的探讨深度学习重建（DLR）在儿童低剂量脑外伤CT扫描中的应用价值。方法回顾性分析2020年6月至2021年2月湖南省儿童医院51例脑外伤合并脑出血患儿的低剂量颅脑CT图像，分别重建成5 mm和1.25 mm两组图像，每组图像根据不同算法重建6个亚组图像，分别为3组多模型自适应性迭代重建（ASIR-V）（迭代权重为0、50%、100%）和3组DLR［重建级别为低（L）、中（M）、高（H）］图像。图像质量客观评价参数包括背侧丘脑（灰质）、额叶白质、出血灶的CT值、信噪比（SNR）和灰白质、出血灶对比噪声比（CNR），以及背景噪声（SD）、颅底伪影SD。主观评价为对图像质量采用5分法进行评分。采用随机区组方差分析和Friedman秩和检验比较DLR与ASIR-V图像的客观参数和主观图像质量评分的差异。采用配对样本t检验和相关样本秩和检验对1.25 mm层厚DLR-H与5 mm层厚ASIR-V50%图像的客观参数和主观评分进行比较。结果51例患儿颅脑CT的CT容积剂量指数、剂量长度乘积和体型特异性剂量估算值分别为17.7（11.9，21.1）mGy、248.4（142.2，338.1）mGy·cm和（15.7±2.8）mGy。同一层厚的DLR与ASIR-V之间的CT值差异有统计学意义（P<0.05）。SNR和CNR随着ASIR-V或DLR的级别升高而逐渐增高，SD随着ASIR-V或DLR的级别升高而逐渐降低，总体差异均有统计学意义（P均<0.05）。其中，DLR客观参数均优于ASIR-V50%，DLR-H和ASIR-V100%的图像背景SD最低且两者差异无统计学意义，薄层DLR-H的白质SNR、灰质SNR和灰白质CNR值均优于ASIR-V100%，差异有统计学意义。随着层厚降低，图像质量评分下降，但薄层DLR图像平均主观评分均>3分，而ASIR-V图像平均主观评分均<3分，不能满足诊断需求。1.25 mm层厚DLR-H图像的背景和伪影噪声SD均高于5 mm层厚ASIR-V50%图像（t=2.96、2.83，P=0.005、0.007），其余客观参数和主观评分差异均无统计学意义（P均>0.05）。结论在儿童脑外伤低剂量颅脑CT中，DLR能提高图像质量，其中DLR-H图像质量最佳，且可提高薄层图像的灰白质的SNR和CNR。

简介：摘要目的探讨应用深度学习图像重建（DLIR）算法对实验猪心肌动态CT灌注（CTP）图像质量的提升程度以及该算法对心肌血流量（MBF）计算的影响。方法麻醉状态下对5只家猪进行静息与负荷动态CTP扫描，扫描管电压均为100 kV，低剂量与高剂量管电流分别设置为150、300 mA。低剂量扫描数据图像重建采用传统滤波反投影（FBP）及DLIR 3种不同强度（低、中、高），高剂量扫描数据图像重建仅采用FBP。客观评价及主观评价（5分制）图像质量，客观评价包括图像噪声、信噪比（SNR）、对比噪声比（CNR）。采用线性回归对DLIR算法强度和图像质量的线性趋势进行检验。采用Shapiro-Wilk检验数据正态性，正态数据比较采用配对t检验，非正态数据比较采用Wilcoxon秩和检验。结果高剂量扫描方案与低剂量扫描方案平均有效辐射剂量分别为7.2、3.8 mSv，差异有统计学意义（t=282.50，P<0.001）。低剂量下获得的图像随着DLIR强度的升高图像噪声逐渐减低，图像SNR及CNR逐渐增高（F=60.10、35.87、41.41，P均<0.001）。低剂量下高强度DLIR图像与高剂量FBP图像的噪声分别为（31.7±3.1）、（38.2±1.2）HU，SNR分别为16.6±2.0、13.8±0.8，CNR分别为14.5±1.7、11.6±0.9，差异均有统计学意义（t值分别为5.70、4.15、5.68，P值均<0.05）。低剂量下高强度DLIR图像与高剂量FBP图像主观评分分别为（4.8±0.4）、（4.2±0.6）分，差异有统计学意义（Z=2.12，P<0.05）。低剂量下FBP图像与高强度DLIR图像计算MBF在静息状态下分别为（81.3±17.3）、（79.9±18.3）ml·100 ml-1·min-1，负荷状态下分别为（99.4±24.9）、（100.7±27.3）ml·100 ml-1·min-1，差异均无统计学意义（t值分别为1.10、0.89，P>0.05）。结论应用高强度DLIR算法有利于实现实验猪低剂量心肌动态CTP，可明显提升图像质量，同时对MBF计算无明显影响。

简介：摘要《数学课程标准（2011年版）》指出“为了帮助学生真正理解数学知识，教师应注重教学知识与学生生活经验的联系，组织学生开展实验、操作、尝试等活动，引导学生进行观察分析、抽象概括，运用知识进行判断。”新课程下的小学数学教学强调学生的发展，内在的发展，知识的内化。

简介：摘要：随着我国教育事业的不断发展，教育质量和水平得到了很大的提升，结合当前教育具有的明显的综合性和延展性的特点。教师应不断创新教育的方式与内容，充分利用已有的教学资源，进行深度教学，让学生对学科知识进行充分的学习 ,在深度学习中提高学生的语文学习能力，培养学生的核心素养。

简介：摘要深度教学是一种创新教学方式，与传统的“教”与“学”有着很大的区别。学生的深度学习，需要教师深度教学的引导。实施深度教学，有助于教学从浅显走向深入、从单一走向全面，对于提高教育综合质量、促进学生全面发展具有重要意义。本文从深度学习与深度教学的关系出发，探索深度教学的实践。

简介：

简介：摘要：教学活动是小学数学学习主要的展开形式，也是影响学子们学习效率的主要手段。教学活动的深度决定着学子们学习的深度，即在教学中不仅要重视学子们对知识的掌握，更要着重培养学子们的核心素养。因此数学作为小学的主要科目，教师们要高度重视提升教学活动的深度从而促进学子们的深度学习。本文就从活动深度与学习深度的关系为主要切入点，探讨如何在小学数学中加强学子们的深度学习。

简介：

简介：摘要：很多学生在学习的过程中都无法进行深入的学习，这其中的原因是学生没有对学习产生真正的兴趣，没有从学习中获得成就感，从而让学生认为学习是否枯燥乏味的，降低学生的学习积极性，数学老师在教学的过程中，要从学生的角度出发，运用相关的教学方法，引导学生进行深度学习，让学习真正的发生。