摘要:CD317(Tetherin、BST-2 或 HM1.24)是由 BST-2 基因编码的一个结构独特的 II 型跨膜糖蛋白， 在多种人体组织中组成型表达，也可被干扰素等细胞因子诱导。近年来，越来越多的研究表明，CD317 在多种肿瘤中表达上调，广泛参与肿瘤细胞增殖、迁移以及凋亡抵抗等生物学过程从而促进肿瘤的发 生发展，是肿瘤治疗的潜在靶点。该文聚焦肿瘤领域，总结 CD317 的表达模式、作用机制以及靶向策 略的相关进展，为肿瘤发病理论研究、治疗策略开发提供新的思考和方向。

摘要:该研究将库尔特原理与微流控技术结合，开发了一款基于微流控技术的细胞分析仪和配套 芯片，实现了快速准确的白细胞计数。该微流控芯片由多层结构组成，液体在芯片上下层间流动，完 全与设备隔离，可即用即抛。采用该仪器和芯片对标准粒子和白细胞分别进行测试的结果显示，该分 析仪和芯片对不同直径标准粒子重复计数结果的变异系数分别为 4.95%、3.56% 和 2.13%；与希森美 康血细胞分析仪 XN20 对白细胞总数计数结果的比较可知，两者(XN20 和 CS1700)的线性回归系数 R2＝0.999 7；Bland-Altman 作图得出 95% 以上的点都在“95% 一致性界限”内波动；在 3.00×109/L、 11.00×109/L 和 30.00×109/L 三个医学决定水平处的预期偏倚百分比分别为 2.12%、0.54% 和 0.17%。 这表明，该细胞分析仪对标准粒子测试重复性良好，对白细胞测试结果与希森美康 XN20 的测试结果 具有可比性，可用于临床血样的白细胞检测，尤其适应于农村卫生室等基层医疗单位使用。

摘要:针对传统视网膜图像血管分割中部分血管轮廓粗糙、血管末梢和分支细节丢失等问题，提出 一种结合线性谱聚类超像素与生成对抗网络(Generative Adversarial Networks，GAN)的视网膜血管分割 方法。该方法首先对 GAN 进行改进，采用空洞空间金字塔池化模块的多尺度特征提取来提高 GAN 分 割精度，在获得视网膜血管分割图像后，利用线性谱聚类超像素分割的边缘贴合性高、轮廓清晰的特 点，将 GAN 输出图像映射到超像素分割图再对像素块进行分类，以达到分割的效果。仿真实验结果表 明，与传统的视网膜血管分割方法相比，该方法在灵敏度和准确性上有一定提升，轮廓边缘细节方面 有着更好的效果。

摘要:医学影像引导的经皮肾穿刺手术是经皮肾镜取石术中建立手术通道的重要手段，高质量的 实时医学图像可以提高术中穿刺精度，减少手术风险。针对自由呼吸下经皮肾穿刺靶点的导航定位问 题，该研究提出了一种基于术中二维超声-术前三维 CT 实时配准的肾脏穿刺定位方法。首先对肾脏轮 廓特征的二维超声图像和三维 CT 图像进行由粗到精的快速配准，然后通过超声探头标定，将配准融合 后的图像注册到手术空间，实现穿刺靶点的实时定位。人体腹部模型实验结果表明，超声探头标定均 方根误差为 0.998 mm，二维超声和三维 CT 数据配准误差为 0.709 mm，平均配准运算时间为 1.15 s，最 终的平均定位误差为 2.265 mm。

摘要:胸部 CT 图像中新型冠状病毒肺炎(COVID-19)病灶的准确分割可以为诊断提供助力。新型冠 状病毒肺炎在 CT 影像上的表现包括磨玻璃影、实变、胸腔积液病灶等，这些征象的纹理、大小和位置 变化较大。该研究提出的深度神经网络 RCB-UNet＋＋，可以用于新型冠状病毒肺炎在 CT 影像上的分割 问题。该网络在 UNet＋＋网络的基础上，增加了残差模块和卷积块注意力模块。此架构能有效地提取底 层的纹理信息和高层的语义信息，并基于注意力机制优化模型效果。该研究所提出的 RCB-UNet＋＋模 型经过在 45 例样本上的训练后，在 50 例测试集上的 Dice 系数达到了 0.715，且敏感性和特异性分别达 到了 0.754 和 0.952，超过基于同样数据划分的其他已发表的深度学习模型。这表明所提出的算法有效 地提高了分割效果，具有从 CT 图像中全自动分割新型冠状病毒肺炎病灶的潜力。

摘要:为加快卷积神经网络的训练，该研究提出一种受区域分解方法启发的新型学习策略。将该方 法应用于残差网络(ResNet)进行图像分类时，使用 ResNet32 可获得最佳结果。进一步地，将 ResNet32 分成 4 个子网络，其中每个子网具有 0.47 M 参数，此为原始 ResNet32 的 1/16，从而简化了学习过程。 此外，由于可以并行训练子网络，因此在使用 CIFAR-10 数据集进行分类任务时，计算时间可以从 8.53 h (通过常规学习策略)减少到 5.65 h，分类准确性从 92.82％ 提高到 94.09％。CIFAR-100 和 Food-101 数 据集也实现了类似的改进。实验结果显示，所提出的学习策略可以大大减少计算时间，并提高分类的 准确性。这表明所提出的策略可以潜在地应用于训练带有大量参数的卷积神经网络。

摘要:为解决医学图像中前景背景比例严重失衡及小目标区域难以分割的问题，该文提出了一种 基于高斯图像金字塔的注意力网络。具体地，首先在特征解码阶段将空间信息与抽象信息进行特征融 合；其次，设计了一个特征召回器以强制编码器减少遗漏感兴趣区域的特征；最后，引入分类精度和 全局区域重叠项组成的混合损失函数来处理医学图像前景背景严重不平衡问题。所提出的方法在膝关 节软骨数据集和 COVOID-19 胸部 CT 数据集中进行了验证，其分割区域分别占 2.08% 和 10.73%。与 U-Net 及其主流变体相比，该方法在两个数据集上都得到了最佳的 Dice 系数，分别为 0.884±0.032 和 0.831±0.072。

摘要:近年来，随着大数据、云计算技术的发展，应用系统越来越集中，规模亦越来越大，使得存 储系统的性能问题越来越突出。为应对其性能要求，并行文件系统得到了大量的应用。然而现有的并 行文件系统优化方法，大多只考虑应用系统或并行文件系统本身，较少考虑两者之间的协同。该文基 于应用系统在并行文件系统上的访问模式对存储系统的性能有显著影响这一特点，提出基于动态分区 的并行文件系统优化方法。首先，利用机器学习技术来分析挖掘各个性能影响因素和性能指标之间的 关系和规律，生成优化模型。其次，以优化模型为基础，辅助并行文件系统的参数调优工作。最后， 基于 Ceph 存储系统进行原型实现，并设计了三层架构应用系统进行了性能测试，最终达到优化并行 文件系统访问性能的目的。实验结果表明，所提出方法可以达到 85% 的预测优化准确率；在所提出模 型的辅助优化下，并行文件系统的吞吐量性能得到约 3.6 倍的提升。

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要:

摘要: