目的:探讨血管紧张素(1-7)[Ang(1-7)]对大鼠尿毒症高转性骨病的影响,并阐明其可能的机制。方法:30只SD大鼠随机分为假手术组(n=6)和实验组(n=24),实验组大鼠采用5/6肾切除术(Platt法)+高磷(P)饮食[1.2%P,1.0%钙(Ca)]制备尿毒症高转化骨...目的:探讨血管紧张素(1-7)[Ang(1-7)]对大鼠尿毒症高转性骨病的影响,并阐明其可能的机制。方法:30只SD大鼠随机分为假手术组(n=6)和实验组(n=24),实验组大鼠采用5/6肾切除术(Platt法)+高磷(P)饮食[1.2%P,1.0%钙(Ca)]制备尿毒症高转化骨病模型,并将建模成功的大鼠随机分为模型组、Ang(1-7)组、血管紧张素转换酶2(ACE2)激活剂二乙酰胺三氮脒(DIZE)组(DIZE组)和Mas受体拮抗剂组(A779组),每组6只。分别于手术后12和18周采用全自动生化分析仪检测各组大鼠血清Ca、P、血肌酐(Scr)、血尿素氮(BUN)和24 h尿蛋白(UP)水平;免疫化学荧光法测定各组大鼠全段甲状旁腺素(iPTH)水平;酶联免疫吸附试验(ELISA)法检测各组大鼠血清骨钙素(OC)、Ⅰ型胶原N端肽(NTX)和抗酒石酸酸性磷酸酶(TRAP)-5b水平;高分辨率显微CT扫描检测各组大鼠股骨组织的骨密度(BMD)、组织骨密度(TMD)、骨小梁厚度(Tb.Th)和骨小梁分离度(Tb.Sp)等三维结构参数。Von Kossa染色和吉姆萨染色观察各组大鼠皮质骨及骨小梁病理形态表现,计算骨小梁体积(TBV);荧光显微镜下测定各组大鼠骨矿化率(MAR),并计算成骨细胞指数(OBI)和破骨细胞指数(OCI)。结果:术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠体质量减小(P<0.05);术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠血清中24 h UP、Scr及BUN水平均升高(P<0.05);术后18周,与模型组比较,Ang(1-7)组和DIZE组大鼠血清中24 h UP及Scr水平均降低(P<0.05),A779组大鼠血清中24 h UP、Scr和BUN水平均升高(P<0.05)。证实尿毒症高转化骨病大鼠模型构建成功。术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠血清中iPTH、P、OC、NTX及TRAP-5b水平均升高(P<0.05);术后18周,与模型组比较,Ang(1-7)组和DIZE组大鼠血清中NTX及TRAP-5b水平均降低(P<0.05),A779组大鼠血清中iPTH、P、NTX和TRAP-5b水平均升高(P<0.05)。高分辨率显微CT扫描检测,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠股骨BMD及TMD均降低(P<0.05);与模型组比较,Ang(1-7)组和DIZE组大鼠股骨BMD及TMD均升高(P<0.05),A779组大鼠股骨BMD和TMD均降低(P<0.05)。与假手术组比较,模型组大鼠股骨Tb.Th降低(P<0.05),Tb.Sp升高(P<0.05);Ang(1-7)组和DIZE组大鼠股骨Tb.Th升高(P<0.05),而Tb.Sp降低(P<0.05);与模型组比较,A779组大鼠股骨Tb.Th降低(P<0.05),而Tb.Sp升高(P<0.05)。骨病理检查,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠股骨TBV均降低(P<0.05),MAR、OBI和OCI均升高(P<0.05);与模型组比较,Ang(1-7)组和DIZE组大鼠股骨OBI及OCI均降低(P<0.05),TBV升高(P<0.05),而A779组大鼠股骨OBI和OCI均升高(P<0.05),TBV降低(P<0.05)。结论:ACE2/Ang(1-7)/Mas轴对尿毒症大鼠高转化骨病具有改善作用。展开更多
现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有...现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。展开更多
文摘目的:探讨血管紧张素(1-7)[Ang(1-7)]对大鼠尿毒症高转性骨病的影响,并阐明其可能的机制。方法:30只SD大鼠随机分为假手术组(n=6)和实验组(n=24),实验组大鼠采用5/6肾切除术(Platt法)+高磷(P)饮食[1.2%P,1.0%钙(Ca)]制备尿毒症高转化骨病模型,并将建模成功的大鼠随机分为模型组、Ang(1-7)组、血管紧张素转换酶2(ACE2)激活剂二乙酰胺三氮脒(DIZE)组(DIZE组)和Mas受体拮抗剂组(A779组),每组6只。分别于手术后12和18周采用全自动生化分析仪检测各组大鼠血清Ca、P、血肌酐(Scr)、血尿素氮(BUN)和24 h尿蛋白(UP)水平;免疫化学荧光法测定各组大鼠全段甲状旁腺素(iPTH)水平;酶联免疫吸附试验(ELISA)法检测各组大鼠血清骨钙素(OC)、Ⅰ型胶原N端肽(NTX)和抗酒石酸酸性磷酸酶(TRAP)-5b水平;高分辨率显微CT扫描检测各组大鼠股骨组织的骨密度(BMD)、组织骨密度(TMD)、骨小梁厚度(Tb.Th)和骨小梁分离度(Tb.Sp)等三维结构参数。Von Kossa染色和吉姆萨染色观察各组大鼠皮质骨及骨小梁病理形态表现,计算骨小梁体积(TBV);荧光显微镜下测定各组大鼠骨矿化率(MAR),并计算成骨细胞指数(OBI)和破骨细胞指数(OCI)。结果:术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠体质量减小(P<0.05);术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠血清中24 h UP、Scr及BUN水平均升高(P<0.05);术后18周,与模型组比较,Ang(1-7)组和DIZE组大鼠血清中24 h UP及Scr水平均降低(P<0.05),A779组大鼠血清中24 h UP、Scr和BUN水平均升高(P<0.05)。证实尿毒症高转化骨病大鼠模型构建成功。术后12和18周,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠血清中iPTH、P、OC、NTX及TRAP-5b水平均升高(P<0.05);术后18周,与模型组比较,Ang(1-7)组和DIZE组大鼠血清中NTX及TRAP-5b水平均降低(P<0.05),A779组大鼠血清中iPTH、P、NTX和TRAP-5b水平均升高(P<0.05)。高分辨率显微CT扫描检测,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠股骨BMD及TMD均降低(P<0.05);与模型组比较,Ang(1-7)组和DIZE组大鼠股骨BMD及TMD均升高(P<0.05),A779组大鼠股骨BMD和TMD均降低(P<0.05)。与假手术组比较,模型组大鼠股骨Tb.Th降低(P<0.05),Tb.Sp升高(P<0.05);Ang(1-7)组和DIZE组大鼠股骨Tb.Th升高(P<0.05),而Tb.Sp降低(P<0.05);与模型组比较,A779组大鼠股骨Tb.Th降低(P<0.05),而Tb.Sp升高(P<0.05)。骨病理检查,与假手术组比较,模型组、Ang(1-7)组、DIZE组和A779组大鼠股骨TBV均降低(P<0.05),MAR、OBI和OCI均升高(P<0.05);与模型组比较,Ang(1-7)组和DIZE组大鼠股骨OBI及OCI均降低(P<0.05),TBV升高(P<0.05),而A779组大鼠股骨OBI和OCI均升高(P<0.05),TBV降低(P<0.05)。结论:ACE2/Ang(1-7)/Mas轴对尿毒症大鼠高转化骨病具有改善作用。
文摘现有目标检测算法对背景复杂下小交通标志的检测效果并不理想。为此,提出了一种基于归一化通道注意力机制YOLOv7的交通标志检测算法(YOLOv7 based on normalized channel attention mechanism,YOLOv7-NCAM)。为了使YOLOv7-NCAM模型具有像素级建模能力,提高它对小目标交通标志特征的提取能力,YOLOv7-NCAM算法使用FReLU激活函数构建了DBF和CBF两种卷积层,并用它们来组建模型的Backbone模块和Neck模块;提出一种归一化通道注意力机制(normalized channel attention mechanism,NCAM)并加入Head模块中。通过与整体网络一起训练,得到归一化(batch normalization,BN)缩放因子,利用缩放因子算出各个通道的权重因子,提升网络对交通标志特征的表达能力,从而使YOLOv7-NCAM网络模型能够集中关注检测目标交通标志。通过在CCTSDB-2021交通标志检测数据集上的测试,与YOLOv7网络模型对比结果表明,YOLOv7-NCAM算法对背景复杂下小交通标志的检测各项指标均有明显提高:准确率(precision,P)达到91.5%,比原网络高出9.5个百分点;召回率(recall,R)达到85.9%,比原网络高出5.7个百分点;均值平均精度(mean average precision,mAP)达到了91.4%,比原网络高出4.7个百分点。与现有的交通标志检测算法相比,YOLOv7-NCAM算法的检测准确率也有提高,且检测速度48.3 FPS,能满足实时需求。
