是新华医疗强大X线机研发团队专门为高校医学影像专业教学设计的又一力作，本实验台综合了单个实验箱的实验功能，综合性强，可使学生在比较中进行实验，进而提高学生综合运用知识的实验效果，让学生亲身体验，学以致用。主要实验模块包括：整流电路实验、高频X线机逆变频率电路实验、旋转阳极启动与保护电路实验、磁饱合稳压电路实验、曝光限时电路实验、管电压管电流测量实验、接地电阻测量实验、X线机发生器基本工作原理及控制实验等。

物流调度、航班规划等复杂应用场景中，设计方案的评价随着时间动态改变。这类优化问题在现实中广泛存在并且求解困难。为了推动该领域的发展，亟待提出能反映动态优化问题复杂特性并且可控的测试集，从而推动动态优化算法在现实问题中的应用。课题组在

物流调度、航班规划等复杂应用场景中，设计方案的评价随着时间动态改变。这类优化问题在现实中广泛存在并且求解困难。为了推动该领域的发展，亟待提出能反映动态优化问题复杂特性并且可控的测试集，从而推动动态优化算法在现实问题中的应用。课题组在IEEE Transactions on Cybernetics上发表了一种生成连续动态优化问题的测试集，同时对现有的测试集进行了全面的综述，并探讨了它们在捕获不同问题特征方面的缺点。

XM-402F-1心脏与透明肺、气管、支气管树模型   XM-402F-1心脏与透明肺、气管、支气管树模型由心脏、大血管（主动脉、上腔静脉）、气管支气管树和膈等4部件组成，显示心脏和大血管、透明肺、气管、支气管树以及肺段支气管相互毗邻关系，从透明肺壳由外向内可以观察支气管树的分布情况，共有57个部位数字指示标志及对应文字说明。 尺寸：自然大，27×22×19cm 材质：PVC材料

XM-406先天性心脏畸形模型   XM-406先天性心脏畸形模型由5部件组成，显示卵圆孔未闭、房间隔缺损、室间隔缺损、法乐氏四联症、动脉导管未闭5种形态先天性心脏畸形的形态。 尺寸：自然大 材质：玻璃钢材料

XM-D018心脏传导系电动模型   XM-D018心脏传导系电动模型展示传导系与心电图，是按成人心脏放大，主要示心脏的外形与其连接的大血管，左、右心房，左、右心室中的结构，心脏的血管，心脏传导系是在此基础上显示出来的，传导系统包括窦房结、 结间束、房室结、房室束，左、右束支和浦肯野纤维等。   一、显示内容： ■ 灯光显示心脏传系各组成部分的位置分布（窦房结、结间束、房室结、房室束、右束支以及变异的副传导束等）。 ■ 二十种心律的心电图，并与相应的心脏传导系统同时显示，以表示二者之间的关系。   二、技术参数： ■ 尺寸：按1:2放大，40×40×9cm ■ 材质：PVC材料+木框   三、标准配置： ■ XM-D018心脏传导系电动模型：1台 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-406先天性心脏畸形模型   XM-406先天性心脏畸形模型由5部件组成，显示卵圆孔未闭、房间隔缺损、室间隔缺损、法乐氏四联症、动脉导管未闭5种形态先天性心脏畸形的形态。 尺寸：自然大 材质：玻璃钢材料

产品详细介绍1.概述扬州晶明科技有限公司(http://www.yzjmtest.com/comp/2-JM3844.htm)生产的JM3844无线动静态应变仪可以无线遥测4点应变，或4点电压，或接拾振器进行无线振动测量。本无线动静态应变仪基于低功耗设计，可用于长期监测。JM3844无线动静态应变仪稳定性好，抗干扰能力强，广泛应用于桥梁、建筑物、飞机、船舶、车辆、起重机械在线监测等无线应变测试场合。 JM3844无线动静态应变仪体积小，可以直接摆放在测点附近，减小了长导线带来干扰，使用稳定性和可靠性增加。另外本无线动静态应变仪不仅可以进行无线应变测试，也可以用来测量电压，或接拾振器测量振动。给无线应变、无线振动工程测试带来很大方便。2.系统特点2.1 体积小巧，超低功耗2.2 支持在线、离线测试2.3 符合IEEE820.15.4/ZIGBEE通讯标准2.4 自组织、自恢复多跳网络，支持多种网络拓扑结构2.5 内置2M可扩充数据存储器2.6 易用的离线测试文件管理功能2.7 全电子化、程控化设计2.8 直观的工作状态指示2.9 支持65535个测量节点2.10 内置大容量可充电锂电池2.11 内建完全的充电功能2.12 标准的miniUSB充电接口2.13 即用的USB无线网关2.14 专业的无线配置及采集分析软件3.系统组成3.1 USB无线网关3.2.JM3844无线动静态应变仪3.3.系统软件4.主要性能指标4.1 通道数：44.2 工作电源：内置可充电锂离子电池4.3 电池容量：3.7V/1800mAH4.4 电池充电充电接口：miniUSB充电电压：5V±0.25V充电电流：500mA、1000mA可设置充电电源：计算机USB电源或专用充电适配器4.5 可边充电边工作4.6 桥压：2.048V4.7 量程：±15000με，±30000με4.8 分辨率：1με4.9 桥路类型：全桥、半桥、1/4桥、电压输入4.10 桥路设置方式：每通道独立设置4.11 电压输入范围：0--±2V4.12 电压输入量程：±15mV、±30mV、±60mV、±120mV、±240mV、±2V可设置4.13 AD位数：24bits4.14 接口：快装卸端子排4.15 采样速率：最高1000Hz/CH，多档可设置4.16 采样方式：每通道独立ADC并行同步采集4.17 工作模式：在线或离线4.18 兼容静态、动态应变测试4.19 内置存储器容量：2MB4.20 离线测试数据存储形式：文件4.21 离线测试文件数：31max4.22 工作时间：连续工作约15h4.23 通讯协议：符合IEEE820.15.4/ZIGBEE通讯标准4.24 天线：外接扬州晶明科技有限公司扬州晶明测试技术有限公司地址: 江苏扬州市维扬路25号公司主页 http://www.yzjmtest.com公司邮箱 sale@yzjmtest.com电话     0514-87850416,87867922,82960507传真     0514-82960507联系人   唐先生手机     15952768463QQ       1225605447MSN      Dynamictestor@hotmail.com 个人邮箱 tcb@yzjmtest.com 或 yztcb@sohu.com 

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。