相关专利提出了一种静脉心脏辅助装置。该装置在上下腔静脉以及右心房内临时植入可充气球囊，随心律膨胀与收缩，改善冠脉灌注。

XM-403心脏收缩、舒张与瓣膜开闭演示模型   XM-403心脏收缩、舒张与瓣膜开闭演示模型显示心脏瓣膜功能，用手推动传动机构，即显示左右心室收缩，左心室二尖瓣，右心室三尖瓣关闭，主动脉、下肺动脉、半月瓣开启，血液由心室泵入肺动脉。主动脉往下推动传动机构，则显示左右心室扩张，主动脉、下肺动脉、半月瓣关闭，血液由左右心房泵入左右心室。 尺寸：放大，65.5×45.5×1cm 材质：PVC材料

XM-403心脏收缩、舒张与瓣膜开闭演示模型   XM-403心脏收缩、舒张与瓣膜开闭演示模型显示心脏瓣膜功能，用手推动传动机构，即显示左右心室收缩，左心室二尖瓣，右心室三尖瓣关闭，主动脉、下肺动脉、半月瓣开启，血液由心室泵入肺动脉。主动脉往下推动传动机构，则显示左右心室扩张，主动脉、下肺动脉、半月瓣关闭，血液由左右心房泵入左右心室。 尺寸：放大，65.5×45.5×1cm 材质：PVC材料

“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。 

中试阶段/n该项目主要针对开源CT 医学影像数据和多中心合作单位提供的多模医学影像数据，采用人工智能技术和自主研制的深度学习算法对心脏左心室、肿瘤等CT 影像数据进行全自动分割，验证了所研制算法在该项目计算机辅助肿瘤智能诊断应用中的有效性，为项目产业化实施奠定了方法基础。成果的先进性或独特性：针对不同类型的医学影像感知设备，设计针对性强的机器学习智能算法；国内同类研究中首次采用“双盲评估+验证”的科研方法对影像数据进

考虑三维点云缺少颜色信息和光学影像缺少空间信息的互补特性，三维点云与光学影像多光融合装备可以提升数据的信息量，基于三维点云和二维图像融合的可视化结果，能够增强三维场景真实感，相较于可见光图像，融合后的三维点云可以实现多角度观测，能够更好的表达的空间特征。 相较于原始和伪彩色点云数据，融合后的三维点云有了色彩纹理信息，目标的形态和边缘都更加明显，整个三维场景更加的真实，也为后续识别、定位、重建等过程提供更多细节信息；同时克服了单一传感器的局限性，充分发挥两者的互补优势，大幅提升了探测设备的环境适应性，适用于全天时复杂场景的下目标探测，具有很强的实用价值。在无人驾驶领域，譬如智能导航、环境感知、高精度地图的构建等，都依赖于可见光图像和点云的融合处理。大家所熟知的百度 Apollo、谷歌 Waymo 自动驾驶系统均应用视觉相机和激光雷达作为主传感器进行定位和环境感知，目前已经实现 L4 级别的高度自动化驾驶。此外，在医学影像、高精度工程测量、工业生产、虚拟现实等领域，三维点云和可见光图像融合技术也有着广泛应用。 图1.三维点云与光学影像融合效果

该系统基于各级医疗系统的影像科研临床应用基础及各类院校影像教学大 纲而开发，贴合各级诊疗机构日常诊疗习惯和院校教学大纲需求，方便教师对各 类影像图片的展示和教学，能更好的让学生全面对各类影像进行阅片、报告书写 练习，以及熟悉临床应用及诊疗流程，有利于训练学生的影像技能操作能力及就业。

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 

广泛应用于汽车等行业中的高速重载螺旋锥齿轮，由于其设计、制造与检测技术特别复杂，国内外对其动态性能的研究还不够充分。由于螺旋锥齿轮齿形复杂，经热处理与研磨后，齿面误差很大（达几十微米），是影响振动噪音的一个重要因素。本研究项目重点考虑到齿面形状与制造误差、以及齿面弹性变形等的影响，把齿面加载接触分析与周向振动模型结合起来，研究由轮齿的时变啮合刚度、轴系类刚度、齿面制造误差、安装误差而引起的齿轮内部激振机制，进而归纳为能预报齿轮振动大小的振动激振力的指标值。在设计阶段，可以应用本研究成果，为设计出低振动噪音的最佳齿面（最佳机床设定参数）提供理论基础。在制造过程中，能够对其振动激振力进行及时智能预报，并利用齿面测量仪对齿面精度进行控制，可以制造出低振动噪音的螺旋锥齿轮。 该成果功能： 可以进行理论齿面与有误差齿面的TCA与LTCA、齿面闪温分布、齿面接触线载荷分布、齿面接触应力分布、任一接触瞬时的齿根弯曲应力分布、振动激振力大小指标值。 适合于成形法、螺旋成形法与展成法加工的锥齿轮,也适合于渐开线齿轮。   该成果已经应用于日本与国内多家螺旋锥齿轮公司、渐开线齿轮公司与齿面测量仪公司。