简介:目的:在建立小型猪下颌骨放射性骨坏死动物模型基础上,应用电镜技术研究下颌骨放射性骨坏死形成、发展的超微结构动态变化过程。方法:对6只小型猪右侧下颌骨进行25Gy和28Gy一次性照射,建立小型猪右侧下颌骨放射性骨坏死动物模型,分别于照射结束后3、4、5个月切取右侧下颌骨放射性骨坏死部位死骨,制备标本,进行电镜检查分析。结果:照射后的早期骨胶原纤维即受到破坏,骨细胞先出现细胞膜破坏,随后胞质出现空泡,细胞器裂解,最后出现核变化。大剂量照射后骨细胞的破坏出现早而重,并且加速了骨细胞的裂解、死亡。结论:骨细胞细胞膜及细胞质较细胞核对放射线更为敏感,照射后骨细胞死亡过程首先发生在细胞膜及细胞质内,与以往认为细胞核损伤在先的观点不同。
简介:目的探讨透射电镜在胸膜恶性肿瘤病理诊断中的作用。方法对49例同时送检光镜和电镜检查、并经二者或其中之一确诊为恶性肿瘤的胸膜活检标本进行对比分析,比较两者的诊断符合情况并分析不相符的原因。结果透射电镜与光镜诊断结果的完全符合率、基本符合率、不符合率分别为33/49例(67.3%)、7/49例(14.3%)和9/49例(18.4%)。诊断基本相符的7例病例,6例经超微病理观察进一步完善或明确了光镜诊断;诊断不相符的9例均经一种方法诊断为腺癌而另一种方法仅观察到炎症或坏死。结论联合应用光镜和透射电镜可提高胸膜活检标本病理诊断的阳性率和准确率。
简介:摘要目的应用深度学习进行病毒电镜图像的分类,通过多种模型性能的比较,提供适用于病毒电镜图像分类的网络模型,提供病毒电镜图像识别的辅助与支持,减少研究人员的劳动强度和分析时间。方法通过加深网络深度、调整学习率和批量大小等参数,使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中,模型对细小病毒的识别效果最好,乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上,甚至接近100%。同时,轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG,并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果;与DenseNet相比,孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别,轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能,在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。