目的 對比觀察視網膜中央靜脈阻塞(CRVO)患眼光相干斷層掃描血管成像(OCTA)與熒光素眼底血管造影(FFA)眼底病變檢出結果的異同。 方法 回顧性系列病例研究。臨床檢查確診的CRVO患者26例26只眼納入研究。其中，男性16例16只眼，女性10例10只眼；平均年齡(49.19±10.50)歲；平均病程(27.81±21.60) d。所有患者均行FFA、OCTA檢查。同一患者所有檢查均在同一天完成。FFA及OCTA圖像拍攝采集范圍均為糖尿病視網膜病變早期治療研究組7個標準視野，觀察記錄患眼不同視野微動脈瘤(MA)、視網膜無灌注區(NP)、視盤或視網膜新生血管(NV)、黃斑水腫(ME)等4項眼底病變的檢出情況。采用加權Kappa統計值評價兩種檢查方法對MA、視網膜NP、視盤或視網膜新生血管、ME等眼底病變檢出的一致性。以Fleiss統計理論為判斷標準，Kappa值≥0.75，一致性極好；≤Kappa值＜0.75，一致性良好；0.40≤Kappa值＜0.60，一致性一般；Kappa值＜0.40，一致性較差。 結果 OCTA檢查發現MA23只眼；視網膜NP16只眼；視盤或視網膜NV8只眼；ME21只眼。FFA檢查發現MA23只眼；視網膜NP14只眼；視盤或視網膜NV8只眼；ME22只眼。OCTA、FFA檢查對MA、視盤或視網膜NV診斷一致性極好(Kappa=0.772、0.766，P<0.01)；視網膜NP、ME診斷一致性良好(Kappa=0.703、0.60，P<0.01)。 結論 OCTA與FFA對CRVO患眼MA、ME、視網膜NP以及視盤或視網膜NV的檢出具有較高的一致性。
肺癌是對人類健康威脅最大的腫瘤疾病，早期發現對于患者的生存和康復至關重要。現有方法采用二維多視角框架學習肺結節特征并簡單集成多個視角特征實現肺結節良惡性分類。然而，這些方法存在不能有效捕捉空間特性和忽略了多個視角的差異性問題。因此，本文提出三維（3D）多視角卷積神經網絡（MVCNN）框架，為進一步解決多視角模型中各視角的差異性問題，在特征融合階段引入擠壓激勵（SE）模塊，構建了3D多視角擠壓激勵卷積神經網絡（MVSECNN）模型。最后，采用統計學方法對模型預測與醫生注釋結果進行分析。在獨立測試集中，模型的分類準確率和靈敏度分別為96.04%和98.59%，均高于目前已有方法；模型預測與病理診斷的一致性分數為0.948，顯著高于醫生注釋結果與病理診斷的一致性。本文所提方法可以有效地學習結節空間異質性和解決多視角差異性問題，同時實現了肺結節良惡性分類，對于輔助醫生進行臨床診斷具有重要意義。
步態采集系統可用來進行步態分析。傳統的可穿戴式步態采集系統由于傳感器佩戴位置不同會導致步態參數出現較大誤差。基于標記法的步態采集系統設備成本高昂且需要結合測力系統在康復醫師的指導下使用，由于操作復雜，臨床應用不便。本文設計了一種足壓檢測與Azure Kinect系統結合的步態采集系統，組織15名受試者參與步態試驗、采集相關數據，提出了步態時空參數與關節角度參數計算方法，并將步態分析結果與攝像機標記法所得結果進行了一致性分析和誤差分析。結果表明，本文設計的步態采集系統和作為對照的攝像機系統所獲得參數具有較好的一致性（皮爾遜相關系數r ≥ 0.9，P < 0.05）且具有較小誤差（步態參數的均方根誤差低于0.1，關節角度的均方根誤差低于6）。綜上，本文所提步態采集系統及其參數提取方法可為臨床醫療上的步態特征分析提供可靠的數據采集結果，可作為理論分析的依據。