摘要:基于激光散斑投射的结构光技术只需单张图像即可实现三维重建，是重要的动态测量手段之 一。然而，散斑结构光技术在实际中的测量精度较低，无法满足精确测量需求。该研究开发了一套低 成本微型结构光系统，提出一种高精度的双目摄像机标定优化方法以及基于两步旋转的立体图像校正 方法，提高了系统参数的标定和测量精度。其中，测量系统由一个微型的光学发射器和两个摄像头组 成。通过将带有伪随机斑点的单张图案投影到目标对象的表面上，并通过双目相机成像，最终利用特 征匹配和三角原理恢复目标的深度和轮廓信息。经测试，所提出的微型结构光系统在使用优化的标定 和校正参数的条件下，对圆球、圆柱等标准体的测量精度相比传统标定方法显著提升。其中，球体重 建误差为 1.05 mm，精度提升 52.38%；圆柱重建误差为 1.61 mm，精度提高了 63.98%。

摘要:传统基于度量学习的图像小样本分类方法与任务无关，这导致模型对新查询任务的泛化能力 较差。针对该问题，该研究提出一种任务相关的图像小样本深度学习方法——可以根据查询任务自适 应地调整支持集样本特征，从而有效形成任务相关的度量分类器。同时，该研究通过引入多种正则化 方法，解决了数据量严重不足所带来的过拟合问题。基于 miniImageNet 和 tieredImageNet 两个常用标 准数据集，在特征提取网络相同的前提下，所提出方法在 miniImageNe 中 1-shot 上获得了 66.05% 的 准确率，较目前最好的模型提高了 4.29%。

摘要:手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度， 通常需要采集多个通道的肌电信号，但这会增加电极传感器的数量以及识别系统的复杂度。因此，如 何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之 一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器，在不增加额外传感器和通道数的情 况下，能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明，通过该系统采集 的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比，该研究采用的肌电 与阻抗信息融合方法可以将手势识别性能提升 3% 以上，达到 96.2% 的识别率。

摘要:慢病毒载体是基因治疗的重要基因转导工具，在嵌合抗原受体(Chimeric Antigen Receptor， CAR)T 细胞治疗血液肿瘤中发挥着极其重要的作用。制备高质量 CAR-T 细胞的先决条件是获得高滴 度的慢病毒，而高滴度的实现离不开浓缩步骤。其中，超速离心(超离)和超滤是两种潜在的可选浓缩 方法。为探究超离和超滤两种浓缩方法在制备科研级 CAR-T 时的效率和对病毒的活力影响，该研究选 择 GFP 和 CD19 CAR(CAR19)-mCherry 两种质粒包装病毒，并对两种方法产生的病毒滴度和回收率进 行比较。结果显示，超滤产生的慢病毒滴度最高达到 1011 TU/mL，显著高于超离法产生的慢病毒滴度 (P＜0.05)，同时超滤的回收效率也更高。该结果可为科研级 CAR 慢病毒的浓缩方法提供直接的理论 参考依据，有助于 CAR-T 基础研究的顺利开展。

摘要:随着超声快速成像技术的发展，诞生了一系列新型超声成像模态，大大提高了病变诊断的准 确性和特异性。但这些新技术都需要较高的成像帧率来实现对组织瞬时变化的精确追踪。然而目前已 有的几种快速成像算法都是基于线阵、凸阵以及平面阵的，还没有完全应用到内窥环阵换能器上，导 致这些新技术还无法很好地应用到内窥成像中。为此，该文研究了 3 种基于内窥超声环阵换能器的快 速成像方法，并进行了图像重建的理论推导以及仿真实验验证。结果表明，3 种快速成像算法都可以 将成像帧率提高到 1 kHz 以上，同时将横向分辨率限制在 2 mm 以内。

摘要:人体肠道具有复杂的生理环境，存在肠上皮细胞形成的绒毛结构以及流体剪切力、肠道蠕动 等力学条件，且肠道中与人体共生着大量微生物，这些与人类的健康息息相关。对于肠道的研究，传 统的体外细胞培养手段不能完全模拟肠道复杂的生理环境，具有局限性。该研究设计了一种基于微流 控技术的肠道器官芯片，通过将肠细胞培养于绒毛状基膜，结合流体剪切力来模拟人体肠道的结构与 功能。结果显示，该肠芯片重现了肠道的绒毛结构与屏障功能，提高了黏液的表达量，并实现了肠道 菌在肠芯片上的实时观察，可以成为在体外研究肠道微生物与宿主相互作用的有力工具。

摘要:针对医生手动对肝脏肿瘤 CT 图像分割耗时、耗力，且易受主观判断影响的问题，该研究提 出一种深度监督残差网络(Deeply Supervised Residual Unet，DS-ResUnet)算法，以实现对腹部增强 CT 图像中肝脏及肝脏肿瘤区域进行全自动分割的目的。首先，利用公开发布的 MICCAI2017 肝脏肿瘤分 割(LiTS)挑战赛数据集，并使用 python 及 TensorFlow 开源框架进行数据分析；然后，构建深度监督 残差网络对肝脏及肝肿瘤图像进行自动分割；最后，通过平均 Dice 系数、全局 Dice 系数、Jaccard 系 数、平均对称表面距离(ASSD)、95% 豪斯多夫距离(HD95)、准确率和召回率七个评价指标对所提出 算法与 Unet 模型的性能进行比较分析。结果显示，所提出的 DS-ResUnet 算法在肝脏分割上的七个评 价指标结果依次为 96.06%、95.08%、92.54%、1.98 mm、12.87 mm、96.11%、96.06%，优于 Unet 模 型的结果(95.71%、94.52%、91.91%、2.41 mm、14.21 mm、95.48%、96.01%)；在肝肿瘤分割上的 七个评价指标结果依次为 67.51%、76.65%、54.21%、6.65 mm、25.34 mm、80.39%、64.27%，也优 于 Unet 模型的结果(60.67%、73.47%、47.39%、9.43 mm、39.38 mm、79.61%、58.01%)。这表明所 提出的算法有效地提高了分割效果，实现了从 3D 腹部增强 CT 图像中全自动分割肝脏和肝肿瘤区域 的目的。

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要: