通过建立全髋关节置换术(total hip arthroplasty,THA)术后股骨有限元模型,探讨不同股骨柄(femoral stem,FS)模型对不同骨质股骨上应力遮挡(stress shielding effect,SSE)情况的影响。本研究根据CT数据建立了正常骨质和骨质疏松症状态下的股骨模型,并设计了六种类型的股骨柄假体模型,装配后加载关节接触力载荷进行有限元分析(finite element analysis,FEA)。松质骨骨质的降低会导致皮质骨中载荷较低的Gruen1区域出现大于10%的应力和应变变化,并会增加假体颈长对皮质骨应力分布带来的影响。通过紧密固定假体柄身近端和皮质骨,可以有效降低Gruen4和Gruen7区域的应力遮挡。颈长的增加会增大Gruen4区域应力遮挡,增大柄近端内外侧宽度会使其与髓腔贴合更紧密,进而增加Gruen7区域的应力遮挡。结果表明,改变股骨柄的固定方式、柄身尺寸及颈干角,会使皮质骨各区域发生不同程度的应力遮挡;改变松质骨骨质也会对皮质骨的应力分布造成影响。
目的提出一种基于深度网络特征融合的分类方法,以提高良恶性分类的准确率,辅助医生提高术前诊断卵巢包块良恶性的准确率。方法纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像,按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先,提取医生勾画的感兴趣区域(region of interest,ROI)即包块图,用微调后的EfficientNet网络提取其深度特征;然后用基于Chan-Vese模型的水平集方法得到包块边缘轮廓图,再用微调后的EfficientNet网络提取其深度特征;接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征;最后,将融合特征输入到全连接层分类器中,将超声图像分为良恶性。结果本文提出的超声图融合专家知识的EfficientNet卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为0.81、0.78、0.88、0.91,全部优于当前主流的深度学习方法。结论该特征融合网络能够取得较好的分类效果,一定程度上能够为临床诊断卵巢包块的良恶性提供参考。
