CFMS血栓弹力图:心内科应用的突破与进展

版权申诉
0 下载量 90 浏览量 更新于2024-07-18 收藏 1.86MB PPT 举报
CFMS血栓弹力图心内科应用的PPT介绍了血栓弹力图(Thromboelastography, TEG)这一在心内科中日益重要的诊断工具。血栓弹力图是一种动态、实时检测血液凝固过程的技术,它能够全面评估血液的凝固和纤维蛋白溶解能力,从而提供对凝血全貌的深入理解。 该报告首先回顾了血栓弹力图的发展历程,从TEG的发明(1948年)到在肝移植中的早期应用(1980年代),再到心血管手术中的推广(1995-1996年),TEG® 5000系统的专利获得以及诊断树和血小板图的专利申请。血栓弹力图逐渐成为了肝移植的标准化临床治疗手段,并在全球范围内得到广泛应用,中国也在2012年引进并发展了国产西芬斯产品。 血栓弹力图功能主要包括以下几个方面: 1. **凝血途径**:通过监测血小板聚集(GPIIb/IIIa+纤维蛋白原)、纤维蛋白网形成以及血栓发展,血栓弹力图能够揭示凝血途径的多个关键步骤,如血小板激活和凝血活酶的生成。 2. **与常规凝血检测对比**:相较于传统的APTT(活化部分凝血活酶时间)、PT(凝血酶时间)、FIB(纤维蛋白原)、TT(凝血酶原时间)等项目,血栓弹力图提供了更全面的凝血状态评估,它能同时观察内源性和外源性凝血系统,以及血小板功能,而常规检测往往难以全面反映这些。 3. **图形与报告单**:血栓弹力图产生的结果通常表现为曲线图,包括R时间(凝血时间)、K值(血小板激活指标)、MA(最大振幅)等参数,直观显示血液凝固速度和强度。报告单会详细解读这些数据,帮助医生做出更精确的诊断。 4. **临床应用**:血栓弹力图广泛应用于心内科的多种场景,例如心血管疾病(如冠心病、心梗)、手术前评估、抗凝治疗监控、血栓性疾病诊断及管理,以及血栓预防和溶栓治疗决策支持。 总结来说,血栓弹力图作为一项先进的凝血功能检测手段,弥补了常规凝血检测的局限性,为临床提供了更为精准的血栓风险评估和个体化治疗策略,是现代心内科不可或缺的辅助诊断工具。随着技术的进步和研究的深入,其在国内的应用也将更加广泛和深入。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R