氟代乙烷消除反应的量子拓扑研究

有关卤代乙烷消除卤化氢的反应已有一些实验和理论方面的研究^[1～8].本文通过跟踪氟代乙烷消除反应的IRC途径,研究其在IRC途径上体系的拓扑性质,进一步阐明了该反应为一协同的非同步过程.     

甲氧羰基亚甲基三苯基胂与邻羟基芳醛,酮的反应-5,6-苯并-2-吡喃酮的合成

本文报道一种合成烃基取代5,6-苯并-2-吡喃酮的方法。甲氧羰基亚甲基三苯基胂与烃基取代的邻羟基芳醛、酮反应,首先生成α,β-不饱和酸酯,继而发生分子内环化,生成烃基取代的5,6-苯并-2-吡喃酮。     

分子内Diels-Alder反应在有机合成方面的新进展

本文按合成产物的结构类型,综述分子内 Diels-Alder 反应在有机合成方面的新进展。     

灰度／深度图像序列的三维空间内插──一种新的计算机图像生成技术

本文提出的灰度／深度图像序列的三维内插方法,摆脱了原实摄路径限制,可在空间内任意巡行,采用空间稀疏化采样,从而达到大量节省存储量和高度灵活地可控再现空间场景的目的,为解决三维内插中庞大的计算量,我们研究了快速而实用的散点算法和深度适应的Ｗａｒｐ算法。通过介绍三维内插的几种简单情形,导出了一些简单、实用的算法。计算机仿真结果显示了这一新方法是完全可行的。     

一种椎弓根螺钉内固定术中非同源低重叠率点云的配准方法

在手术导航系统辅助的椎弓根螺钉内固定术中,术前与术中点云配准精度是影响导航定位效果的重要因素。由于术前与术中点云的获取方式不同,且术中暴露位置受限,两种非同源三维点云存在初始位姿差异大、重叠率低的问题,现有的配准算法在术前术中点云配准时容易失效且精度不高。为此,本文提出了一种椎弓根螺钉内固定术中非同源低重叠率点云的配准方法。首先,对术中点云进行降采样,对术前点云进行基于最远点采样的局部区域划分,选取其中的最优局部区域,与术中点云进行采样一致性初始配准;之后,采用迭代最近点算法进行进一步优化,实现点云的准确对齐。在本文所用数据集上,所提算法在术前术中点云配准实验中的平均旋转误差为0.406°,平移误差为0.474 mm,实现了初始位姿差异大、重叠率低的非同源术前术中点云的高精度配准,与现有算法相比,配准成功率从66.67%提高至100%。     

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。     

多分辨率融合输入的U型视网膜血管分割算法

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的U型网络(MFIU-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一U型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%, 97.47%和97.48%,灵敏度分别为82.73%, 82.86%和83.24%,曲线下的面积(AUC)值分别为98.74%, 98.90%和98.93%。其模型整体性能优于现有算法。     

小型化L波段1 000 W GaN内匹配功率管研制

L波段功率单管有增大功率的需求,但会面临体积较大的问题。基于0.5μm工艺研发了GaN高电子迁移率晶体管(HEMT)管芯,单芯功率达到300 W。通过负载牵引仿真提取模型的输入、输出最佳阻抗点。用高介电常数薄膜电路设计L-C网络,拉高芯片的输入输出阻抗,并抵消虚部。用微带电路设计两级阻抗变换的宽带功率分配器及合路器电路,进行四胞管芯合成。内置稳定电路、栅极和漏极供电偏置电路,实现高度集成化、小型化,以及50Ω输入输出阻抗匹配。芯片总栅宽4×40 mm,在漏压50 V、脉宽40μs、占空比4%的测试条件下,在0.96 GHz到1.225 GHz的宽带频段内,输出功率为60 dBm到61.2 dBm,效率为57.9%到72%,饱和功率增益大于14 dB。