文摘车辆目标检测是自动驾驶的重要环节,现有的车辆目标检测算法在特征提取方面没有充分考虑卷积神经网络(convolutional neural network,CNN)和Transformer各自的优缺点,一定程度上限制了网络的整体性能。提出了一种由CNN和Transformer组成的双分支特征聚合网络。在编码阶段,基于CNN和Transformer各自的优势,构建了双分支主干网络来提取原始图像的特征信息;通过设计的多级别空间注意力模块和双支路特征聚合模块,使两个分支间的特征信息相互引导学习;通过构建的双分支注意力模块来进一步减少深层神经网络中特征信息的丢失。在实验部分通过消融实验和对比实验进一步验证了所提算法的有效性,其相比主流的目标检测算法,在mAP(mean average precision)指标上提升了约3.5%。
文摘目的探讨脑膜瘤患者术后静脉血栓栓塞症(Venous thrombus embolism,VTE)形成的风险因素,构建VTE形成列线图模型并进行验证。方法选取2020年1月-2022年12月新疆医科大学第一附属医院神经外科接受手术治疗的417例脑膜瘤患者为研究对象,采用单因素分析和多因素Logistic回归分析筛选417例脑膜瘤患者术后发生VTE的影响因素,构建列线图模型,并对模型进行内部验证。结果417例患者中150例(36%)发生了VTE,Logistic回归分析显示,年龄大于60岁、住院天数、D-二聚体、术后血钠、低密度脂蛋白为独立风险因素(P<0.05)。基于上述独立风险因素所构建的列线图模型,校准度(χ^(2)=6.424,P=0.781)和区分度[曲线下面积(Area under curve,AUC)=0.841,95%CI:0.800~0.882]良好。校准曲线与决策曲线显示,模型一致性及获益良好。结论以年龄大于60岁、住院天数、D-二聚体、术后血钠、低密度脂蛋白构建的脑膜瘤患者术后VTE发生的列线图模型具有较高的预测价值,可为脑膜瘤患者术后VTE的护理措施提供依据。
