LiDAR技术的发展为自动驾驶提供了丰富的3D数据。然而,由于遮挡和某些反射材料的原因引起信号丢失,LiDAR点云实际上是不完整的2.5D数据,这对3D感知提出了根本性挑战。针对这一问题,提出对原始数据进行三维补全的方法。根据大多数物体形状对称且重复率高的特点,通过学习先验对象形状的方法估计点云中遮挡部分的完整形状。该方法首先识别被遮挡和信号缺失影响的区域,在这些区域中预测区域所包含对象形状的占用概率。针对物体间遮挡的情况,通过形状的占用概率和共享同类形状形态进行三维补全。对自身遮挡的物体,通过自身镜像进行恢复。最后通过点云目标检测网络进行学习。结果表明,通过该方法能有效地提高生成点云3D边框的mAP(mean Average Precision)。
目的探讨老年男性股骨转子间骨折患者围术期血清IL-6水平变化,为此类患者的炎症控制提供依据。方法回顾分析2021年1月-2022年12月收治且符合选择标准的40例年龄≥60岁男性股骨转子间骨折患者临床资料,其中25例为非骨质疏松症患者(T值>−2.5,A组),15例为骨质疏松症患者(T值≤−2.5,B组);另外根据年龄配比规则纳入40例年龄≥60岁健康男性作为对照(C组)。3组受试者年龄、吸烟史、饮酒史、身体质量指数、合并症(高血压病和糖尿病)、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶、血尿素氮、肌酐和总蛋白等基线资料比较,差异均无统计学意义(P>0.05)。取C组受试者血清样本,A、B组患者术前及术后1、3、5、7 d的血清样本,ELISA法检测血清IL-6水平;采用Pearson相关分析A、B组所有患者围术期各时间点IL-6水平与T值的相关性。记录A、B组患者术后住院期间并发症发生情况和1年死亡率。结果A、B组术前IL-6水平显著高于C组,B组显著高于A组,差异均有统计学意义(P<0.05)。A、B组患者术后1 d IL-6水平较术前显著升高,然后呈逐渐下降趋势,至术后7 d时降至接近术前水平;术后各时间点B组IL-6水平均显著高于A组,差异有统计学意义(P<0.05)。相关性分析示,A、B组所有患者围术期各时间点IL-6水平与T值均成负相关(P<0.05)。术后住院期间A组4例患者(16.0%)发生并发症,包括肺部感染2例、尿路感染1例、心力衰竭1例;B组3例患者(20.0%)发生并发症,包括肺部感染2例、消化道出血1例;两组并发症发生率比较差异无统计学意义(χ^(2)=0.104,P=0.747)。A、B组分别有2例(8.0%)和4例(26.7%)于术后1年内死亡,两组死亡率比较差异无统计学意义(χ^(2)=2.562,P=0.109)。结论老年男性股骨转子间骨折患者术后早期血清IL-6水平显著增高,尤其在骨质疏松症患者中更为明显。围术期监测炎症状态并及时控制炎症反应,可降低并�
