目的:数字减影血管造影(digital subtraction angiography,DSA)是目前诊断硬脊膜动静脉瘘(spinal duralarteriovenous fistulas,SDAVF)的金标准,然而DSA为有创检查,还存在电离辐射、碘对比剂过敏等不良反应。高时间/高空间分辨率对比增...目的:数字减影血管造影(digital subtraction angiography,DSA)是目前诊断硬脊膜动静脉瘘(spinal duralarteriovenous fistulas,SDAVF)的金标准,然而DSA为有创检查,还存在电离辐射、碘对比剂过敏等不良反应。高时间/高空间分辨率对比增强磁共振血管成像(contrast-enhanced magnetic resonance angiography,CE-MRA)检查可实现高时间/高空间分辨率的多期动态对比剂增强MRI。本研究旨在评估脊髓高时间/高空间分辨率CE-MRA对SDAVF的诊断价值。方法:回顾性收集2021年1月1日至2024年1月1日期间在湘雅医院进行脊髓常规MRI及高时间/高空间分辨率CE-MRA检查,并在2项检查后90 d内进行DSA或手术的患者资料。由2位高年资影像科医师独立观察和评估所有常规脊髓MRI及CE-MRA图像,并将评估结果与“金标准”DSA检查结果对照计算常规脊髓MRI、CE-MRA诊断SDAVF的敏感度、特异度。对脊髓常规MRI、CE-MRA检查与DSA检查结果进行Kappa一致性检验。采用受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评价二者对SDAVF的诊断价值。结果:共纳入符合条件的患者60例,其中SDAVF 47例,无SDAVF13例。常规MRI检查结果有3例假阴性、1例假阳性;CE-MRA检查结果有2例假阳性、无假阴性。常规MRI诊断SDAVF的敏感度、特异度分别为93.62%、92.31%,CE-MRA诊断SDAVF的敏感度、特异度分别为100%、84.62%。将脊髓后根髓动脉误为供血动脉是造成CE-MRA假阳性的主要原因。CE-MRA图像可清晰显示大部分供血动脉,瘘口定位的准确率为74.47%(35/47)。Kappa一致性检验分析结果表明常规MRI和CE-MRA检查的Kappa值分别为0.814与0.896(均P<0.001),一致性均较好,且CE-MRA优于常规MRI。常规MRI和CE-MRA检查诊断SDAVF的曲线下面积(area under the curve,AUC)分别为0.930与0.923(均P<0.05)。结论:高时间/高空间分辨率脊髓CE-MRA是SDAVF可靠、无创的检查方法,具有较高的敏感度,能清晰地显示供血动脉,可为DSA或手术的术前诊断和定位提供可靠的影像学依据。展开更多
黄土高原的脆弱生态环境导致降雨侵蚀现象频发,准确评估降雨侵蚀力对优化该区生态管理策略具有重要意义。然而,不同降雨侵蚀力估测模型差异导致其时空演变规律及驱动机制差异。因此,利用黄土高原1990—2021年小时降雨数据,分析雨量与雨...黄土高原的脆弱生态环境导致降雨侵蚀现象频发,准确评估降雨侵蚀力对优化该区生态管理策略具有重要意义。然而,不同降雨侵蚀力估测模型差异导致其时空演变规律及驱动机制差异。因此,利用黄土高原1990—2021年小时降雨数据,分析雨量与雨强模型计算的降雨侵蚀力差异,揭示不同季节、雨型、海拔等特征参量对两模型降雨侵蚀力时空分布规律的影响。结果显示:(1)黄土高原基于雨强计算的年均降雨侵蚀力均值为918.36MJ mm hm^(-2) h^(-1),范围在222.81—2583.52MJ mm hm^(-2) h^(-1);基于雨量计算的年均降雨侵蚀力均值为1058.17MJ mm hm^(-2) h^(-1),范围在271.92—2700.71MJ mm hm^(-2) h^(-1)。(2)两种模型计算出的降雨侵蚀力空间分布和时间变化相似,但基于雨强计算得到的降雨侵蚀力变异系数更高,变异系数为0.44。(3)不同雨型、季节的降雨侵蚀力值空间分布相似,随季节推移,夏季降雨侵蚀力值最高且分布最广;且雨强模型对海拔更敏感,相关系数为-0.58。综上,综合考虑雨量与雨强的双重效应可有效反映黄土高原降雨侵蚀过程的动态特征,准确评估降雨侵蚀力对区域特征参量变化的响应,有助于黄土高原生态环境的保护、支撑政府间水土保持相关策略的制定。展开更多
High-resolution flow field data has important applications in meteorology,aerospace engineering,high-energy physics and other fields.Experiments and numerical simulations are two main ways to obtain high-resolution fl...High-resolution flow field data has important applications in meteorology,aerospace engineering,high-energy physics and other fields.Experiments and numerical simulations are two main ways to obtain high-resolution flow field data,while the high experiment cost and computing resources for simulation hinder the specificanalysis of flow field evolution.With the development of deep learning technology,convolutional neural networks areused to achieve high-resolution reconstruction of the flow field.In this paper,an ordinary convolutional neuralnetwork and a multi-time-path convolutional neural network are established for the ablative Rayleigh-Taylorinstability.These two methods can reconstruct the high-resolution flow field in just a few seconds,and further greatlyenrich the application of high-resolution reconstruction technology in fluid instability.Compared with the ordinaryconvolutional neural network,the multi-time-path convolutional neural network model has smaller error and canrestore more details of the flow field.The influence of low-resolution flow field data obtained by the two poolingmethods on the convolutional neural networks model is also discussed.展开更多
文摘目的:数字减影血管造影(digital subtraction angiography,DSA)是目前诊断硬脊膜动静脉瘘(spinal duralarteriovenous fistulas,SDAVF)的金标准,然而DSA为有创检查,还存在电离辐射、碘对比剂过敏等不良反应。高时间/高空间分辨率对比增强磁共振血管成像(contrast-enhanced magnetic resonance angiography,CE-MRA)检查可实现高时间/高空间分辨率的多期动态对比剂增强MRI。本研究旨在评估脊髓高时间/高空间分辨率CE-MRA对SDAVF的诊断价值。方法:回顾性收集2021年1月1日至2024年1月1日期间在湘雅医院进行脊髓常规MRI及高时间/高空间分辨率CE-MRA检查,并在2项检查后90 d内进行DSA或手术的患者资料。由2位高年资影像科医师独立观察和评估所有常规脊髓MRI及CE-MRA图像,并将评估结果与“金标准”DSA检查结果对照计算常规脊髓MRI、CE-MRA诊断SDAVF的敏感度、特异度。对脊髓常规MRI、CE-MRA检查与DSA检查结果进行Kappa一致性检验。采用受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评价二者对SDAVF的诊断价值。结果:共纳入符合条件的患者60例,其中SDAVF 47例,无SDAVF13例。常规MRI检查结果有3例假阴性、1例假阳性;CE-MRA检查结果有2例假阳性、无假阴性。常规MRI诊断SDAVF的敏感度、特异度分别为93.62%、92.31%,CE-MRA诊断SDAVF的敏感度、特异度分别为100%、84.62%。将脊髓后根髓动脉误为供血动脉是造成CE-MRA假阳性的主要原因。CE-MRA图像可清晰显示大部分供血动脉,瘘口定位的准确率为74.47%(35/47)。Kappa一致性检验分析结果表明常规MRI和CE-MRA检查的Kappa值分别为0.814与0.896(均P<0.001),一致性均较好,且CE-MRA优于常规MRI。常规MRI和CE-MRA检查诊断SDAVF的曲线下面积(area under the curve,AUC)分别为0.930与0.923(均P<0.05)。结论:高时间/高空间分辨率脊髓CE-MRA是SDAVF可靠、无创的检查方法,具有较高的敏感度,能清晰地显示供血动脉,可为DSA或手术的术前诊断和定位提供可靠的影像学依据。
文摘黄土高原的脆弱生态环境导致降雨侵蚀现象频发,准确评估降雨侵蚀力对优化该区生态管理策略具有重要意义。然而,不同降雨侵蚀力估测模型差异导致其时空演变规律及驱动机制差异。因此,利用黄土高原1990—2021年小时降雨数据,分析雨量与雨强模型计算的降雨侵蚀力差异,揭示不同季节、雨型、海拔等特征参量对两模型降雨侵蚀力时空分布规律的影响。结果显示:(1)黄土高原基于雨强计算的年均降雨侵蚀力均值为918.36MJ mm hm^(-2) h^(-1),范围在222.81—2583.52MJ mm hm^(-2) h^(-1);基于雨量计算的年均降雨侵蚀力均值为1058.17MJ mm hm^(-2) h^(-1),范围在271.92—2700.71MJ mm hm^(-2) h^(-1)。(2)两种模型计算出的降雨侵蚀力空间分布和时间变化相似,但基于雨强计算得到的降雨侵蚀力变异系数更高,变异系数为0.44。(3)不同雨型、季节的降雨侵蚀力值空间分布相似,随季节推移,夏季降雨侵蚀力值最高且分布最广;且雨强模型对海拔更敏感,相关系数为-0.58。综上,综合考虑雨量与雨强的双重效应可有效反映黄土高原降雨侵蚀过程的动态特征,准确评估降雨侵蚀力对区域特征参量变化的响应,有助于黄土高原生态环境的保护、支撑政府间水土保持相关策略的制定。
基金National Natural Science Foundation of China(1180500311947102+4 种基金12004005)Natural Science Foundation of Anhui Province(2008085MA162008085QA26)University Synergy Innovation Program of Anhui Province(GXXT-2022-039)State Key Laboratory of Advanced Electromagnetic Technology(Grant No.AET 2024KF006)。
文摘High-resolution flow field data has important applications in meteorology,aerospace engineering,high-energy physics and other fields.Experiments and numerical simulations are two main ways to obtain high-resolution flow field data,while the high experiment cost and computing resources for simulation hinder the specificanalysis of flow field evolution.With the development of deep learning technology,convolutional neural networks areused to achieve high-resolution reconstruction of the flow field.In this paper,an ordinary convolutional neuralnetwork and a multi-time-path convolutional neural network are established for the ablative Rayleigh-Taylorinstability.These two methods can reconstruct the high-resolution flow field in just a few seconds,and further greatlyenrich the application of high-resolution reconstruction technology in fluid instability.Compared with the ordinaryconvolutional neural network,the multi-time-path convolutional neural network model has smaller error and canrestore more details of the flow field.The influence of low-resolution flow field data obtained by the two poolingmethods on the convolutional neural networks model is also discussed.
