区域监督

区域监督（共3篇）

区域监督 篇1

摘要：提出一个基于EM迭代的非监督图像多标签区域标定算法,它能够非常有效地将基于全图的标签自动标定到图像的对应局部区域上。首先对所有图像进行SIFT特征点的密集采样,然后对所有的SIFT特征点进行K-m eans聚类,获得词典,再构造EM迭代过程计算出每幅图像中每个标签对每个存在WORD的置信度,最后选择那些置信度较高的WORD,确定每幅图像中每个标签置信度最高的对应区域。实验表明,在样本数据充分的情况下,该算法在解决非监督自动标定、标签表观的多样性以及多标签等问题上都取得了不错的效果。

关键词：SIFT,WORD,词典,EM

0 引 言

伴随着互联网的迅猛发展,各种不同表现形式、不同内容的图像数据也在以几何数量级的速度激增。面对如此纷繁浩大的图像数据库,如何快速而准确地检索到用户满意的图像结果,已经成为一个实用并且迫切需要解决的问题。当前,无论是Google、百度,还是Bing等一些新近开发的搜索引擎,其主流技术主要是基于关键字进行检索。由于其关键字主要是来源于图像附近的一些相关文本,并没有从语义的本质联系上进行衡量,因此很容易出现关键字和图像内容完全不相关的情况,这也是这些搜索引擎在图像检索上效率低下的主要原因之一。

为了更好地对图像进行检索,Flickr、LabelMe等使用的较好地替代策略是使用数量庞大的互联网用户对图像进行标定的语义概念或者标签。进一步来说,如果能够获得标签与对应图像区域的精确位置,则会更加行之有效。但是在实际应用中,基于图像区域进行人工标定面临着许多问题,一方面是工作量大,本身比较枯燥乏味,而且操作比较复杂。另一方面是不同用户的随意性,认识和标定区域可能存在着语义上的差别。因此,研究如何将基于图像全局的标签自动标定到该图像的对应区域上,对于提高图像的检索准确率,将会是一个非常有意义和实用价值的工作。

在图像视觉领域,已经有很多类似的相关工作,如图像分割和物体识别。文献[1]综合边缘检测和物体部分检测的结果,对前景物体进行提取。文献[2]则提出将Top-down和Bottom-up两种方法结合在一起,确定标签对应物体在图像中的精确位置。而文献[3]提出了一种特征捆绑计算模型,其核心在于以Gabor 特征作为模型的初级特征,将相关统计量作为实现特征捆绑的基础,从而对物体进行识别。这些方法主要特点是都需要首先基于大量的训练集学习出若干个分类器来描述一些语义概念。其问题在于一方面在训练集中需要人工进行大量的图像分割工作,另一方面同一类物体的不同变化,训练集数据的不平衡等等因素都会对其鉴别性能造成严重的影响。文献[4]提出了LOCUS的算法,其核心在于使用基于自动图像分割的结果,对物体进行学习、定位。但是在面对多标签、图像背景比较复杂或者物体存在遮挡时效果不佳。最近,文献[5]通过在现有的成熟搜索引擎上对关键字进行检索,将获得的大量图片作为训练集,挖掘出显著有效的分类特征,然后再确定出标签在对应图像上的具体位置。显然,这种方法的性能与搜索引擎密切相关,一方面有大量的噪声图片需要处理,另一方面对于同样的关键字,可能会获得同一类物体各种截然不同的表现形式的图片,这都会严重影响最终的实际性能。

针对以上问题,我们提出一个基于EM迭代的非监督图像多标签区域标定算法,其核心在于引入词袋这一概念对应于每个标签,每类特定的特征表示对应一个WORD,通过EM迭代的方法最终获得每个WORD对于各个词袋的置信度。由于每个词袋可以由多个截然不同的WORD构成,而同一个WORD又可对应于多个可能完全不相关的词袋,因此能够较好地解决多标签以及同类标签表观多样性的问题。同时,我们的算法采用了对图像进行密集采样提取SIFT特征点以及EM的迭代过程,无需大量繁琐的人工区域标定工作和训练学习,是一个完全非监督的算法。整个算法的流程大致可分为四个阶段,首先我们使用文献[6]的方法对所有图像进行SIFT特征的密集采样,然后对所有的SIFT特征点进行K-means聚类,获得词典,再构造EM迭代过程计算出每幅图像中每个标签对每个存在WORD的置信度,最后选择那些置信度较高的WORD,大致确定每幅图像中每个标签置信度最高的对应区域。

1 预处理工作

1.1 SIFT特征

(1) SIFT的由来

早期,为了更好地对运动物体进行跟踪分析,需要提取一些保持不变的局部特征。角点是局部特征的一种,它是在其邻域内的各个方向上灰度变化足够明显的像素点。角点检测最初的算法是由Hannah和Movarac提出来的,后续也有很多相关研究提出了各种不同的角点检测算法,其中C.Harris和M.J.Stephens提出的Harris角点检测具有角点特征均匀、计算简单等优点,但容易受到尺度变化的干扰。

SIFT是David Lowe[7]于1999年提出的局部特征描述子,并在2004年进行了较为深入的发展和完善。SIFT的提出主要是为了改进Harris角点检测不是尺度不变的问题,因此,其最突出的优点在于对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换也保持一定程度的稳定性。2005年,Mikolajczyk[8]对包括SIFT算子在内的多种局部描述子进行了不变性对比实验,SIFT及其扩展算法被证实在当前同类描述子中具有最强的健壮性。

(2) SIFT的提取过程

SIFT的提取过程可以主要分为以下几个步骤:首先使用DoG滤波算子在尺度空间内进行极限值的检测,采用DoG滤波算子是因为其计算快速简单,然后通过拟合对关键点进行精确定位,接下来为了保证算子的尺度不变性,根据关键点邻域像素的梯度分布情况赋予其对应的方向参数。最后对每一个关键点生成一个长度一般为128的SIFT特征向量。

算法1 经典SIFT

输入: 需要提取SIFT特征的图像。

输出: 对应图像的所有SIFT关键特征点以及描述该关键特征点的特征向量。

算法过程:

1.2 WORD

对数据库中的所有图片进行SIFT特征点的密集采样,然后再对所有提取获得的SIFT特征点进行K-means聚类,聚类以后特征相似的SIFT特征点会聚在一起。假设我们最终获得了NWORD类SIFT特征点,则每一类SIFT特征点我们称之为它们属于同一个WORD。所有的WORD组合成词典。K-means聚类的类别数选择可以控制词典中的WORD数量。适中的WORD数量会带来较好的实验效果。

1.3 词 袋

WORD代表的是某一类相似的SIFT特征点,而图像标签图中对应的物体则可认为都是由某几个WORD组成的,组成某个标签图中对应物体的所有WORD的集合我们称之为对应于标签的词袋。在具体应用中,由于不同的物体可能会拥有相似的部分,因此同一个WORD可能会属于不同的词袋。此外,只要标有该标签的图像数目充分以及WORD的个数适中,即使对于同一个标签,在图中有各自不同的表现形式,表示这些特征的所有WORD最终都会收录到该标签所对应的词袋中。在图1中,我们可以看到标签对应的物体及其具有鉴别性,即主要将它们从其它物体区分开来的一些WORD在图中的分布情况。

假设在第i幅图像中,第j个WORD所代表的该类所有SIFT特征点的个数为sij,则定义ωij表示第j个WORD代表的该类的所有SIFT特征点所占据的区域在第i幅图像中的权重。ωij可由式(1)计算所得:

$\omega {}_{ij}=\frac{s{}_{ij}}{{\displaystyle \sum _{j}s}{}_{ij}}(1)$

2 EM迭代过程

2.1 概 览

文献[9]通过构造较好的EM迭代过程,在人脸和对应人名这跨媒介的匹配上获得了不错的应用,也给了我们很好的解决问题的另一思路的启发。在本文中,针对多标签的区域标定问题,我们同样也通过构造EM的迭代过程,从而计算出每幅图像中每个标签对每个存在WORD的置信度。

在标签正确的前提下,对于每幅图像的每一个标签,图像中都存在着其置信度最高的那片区域。对应该标签,存在着一些置信度比较高的WORD,而由所有属于这些WORD的SIFT特征点的位置便可以确定其对应置信度最高的这片区域的大致位置和范围大小。

整个EM的迭代过程可分为以下两个阶段:

(1) E步骤

对于每幅图像的每一个标签,估计其对应于该图像中每一个WORD的似然。

(2) M步骤

根据每幅图像的每一个标签对应于该图像中每一个WORD的似然性,更新每一个WORD对应所有标签的概率分布情况。

2.2 具体过程

定义隐变量δ${}_{kj}^i$表示在第i幅图像中,第k个标签选择第j个WORD在该图像所对应的局部区域的似然,因为该标签必定能在图像中检索到对应的一片区域,所以满足${\displaystyle \sum _j\delta }{}_{kj}^i=1$。定义p(Tk|Wj)表示对于第j个WORD,它属于第k个标签词袋的概率分布情况。整个数据集的LOG似然可以表示为:

${\displaystyle \sum _i{\displaystyle \sum _k{\displaystyle \sum _j\delta }}}{}_{kj}^{i}n{}_{ij}m{}_{ik}\log (p({\rm T}{}_k|W{}_j))(2)$

其中,如果第i幅图像被标定了第k个标签,则mik为1,否则为0。同样,如果第i幅图像存在第j个WORD,即ωij>0,则nij为1,否则为0。

在E步骤,EM算法如下更新δ${}_{kj}^i$的值:

$\delta {}_{kj}^i=\frac{n{}_{ij}p({\rm T}{}_k|W{}_j)}{{\displaystyle \sum _{j}n}{}_{ij}p({\rm T}{}_k|W{}_j)}(3)$

在M步骤,EM算法如下更新每一个WORD对应所有标签的概率分布情况:

$p({\rm T}{}_k|W{}_j)=\frac{{\displaystyle \sum _{i}m}{}_{ik}\omega {}_{ij}\delta {}_{kj}^i}{{\displaystyle \sum _i\omega }{}_{ij}}(4)$

最终,通过适中的足够次数的迭代以后,对于第i幅图像中的第k个标签(满足mik=1),我们可以获得其对应于每个存在WORD的置信度权重δ${}_{kj}^i$,选出δ${}_{kj}^i$比较高的那些WORD,根据该图像中所有属于这些WORD的SIFT特征点的位置信息,我们可以用一个矩形框标定出在第i幅图像上对应于第k个标签置信度最高的区域。

算法2EM迭代过程

输入:任意第i幅图像,第j个WORD,第k个标签,其对应的ωij,mik,nij。

输出:任意第i幅图像,第j个WORD,第k个标签,其对应的δ${}_{kj}^i$,p(Tk|Wj)。

算法过程:

3 实 验

3.1 数据集

实验中我们使用了比较常用的数据集MSRC[10],MSRC数据集总共有23类,591幅图像, 图像分辨率主要为320×213,另有少量的213×320和320×240,对本实验影响不大。对于某些数据集中如果图像分辨率变化范围较大,可统一分辨率大小后再作处理。MSRC数据集中平均每个图像标有2～3个标签。我们选择了所有的图片作为实验对象,所有的标签如下:grass, cow, tree, sky, building, aeroplane, mount, face, body, car, bike, sheep, horse, flower, sign, bird, water, book, chair, cat, dog, road, boat。如图2所示,MSRC数据集具有较大的不平衡性,有一部分标签与其他标签所对应的图像样本数差别较大。

3.2 评价准则

为了更加清晰地表示出实验结果以及更好地评估每类标签的标定准确率,实验中我们对每幅图像的每个标签,都单独在图像中用红色的矩形框标定出其大致的区域范围。这里,我们主要引用了VOC挑战赛的评价准则,VOC是国际上学术界比较权威的并且参与度比较高的物体检测和识别比赛,为了更加全面地体现出实验结果,我们对其评价准则做了适当地修改和扩展。我们将标定的最终结果分为以下三种情况:漏标、标定准确和过标。

如图3所示,绿色矩形框(O3)表示标签对应物体在图中的真实区域范围,红色矩形框(O1)表示实验标定的标签对应物体在图中的大致区域范围,蓝色矩形框(O2)表示两者的重合部分,则标定结果按如下判定:

漏标:$\frac{{\rm O}{}_2}{{\rm O}{}_2+{\rm O}{}_3}<0.5$

标定准确:$\frac{{\rm O}{}_2}{{\rm O}{}_2+{\rm O}{}_3}\ge 0.5\&\&\frac{{\rm O}{}_2}{{\rm O}{}_1+{\rm O}{}_2}\ge 0.5$

过标:$\frac{{\rm O}{}_2}{{\rm O}{}_2+{\rm O}{}_3}\ge 0.5\&\&\frac{{\rm O}{}_2}{{\rm O}{}_1+{\rm O}{}_2}<0.5$

3.3 实验结果及分析

在具体的实验过程中,针对以下出现的各种情况,我们做了相应的处理。

首先,MSRC数据集存在一些标签标定错误的情况,表现为对应图像完全不存在该物体,如一部分cow、building的标签等;对应图像中该物体只存在非常小的一部分,并且该部分区域经常位于图像边缘的角落,如一部分body的标签等;对应图像中该物体非常小,几乎无法识别,如一部分face的标签等;对应图像中该物体遮挡严重,只能观察到偶尔透露的一部分,如一部分building的标签等。对应图像中该标签的概念过于广泛或者抽象,在图像中无法准确标定范围,如一部分mount的标签等。对于这些情况,我们在评价该标签的标定情况的时候,会忽略该部分图片,不做参考。因为如果本身人眼在图像中都几乎无法判定,判定标定结果本身是没有意义的。

经过相应处理以后,各类标签的标定结果如图4所示,标签的标定准确率、漏标率和过标率由表1所示。

实验中我们发现,road、water、sky、grass等标签的标定效果不佳(因此实验数据中没有列出),经常出现过标严重的状态。其主要原因可能在于这些标签对应的物体大部分情况下表观都处于比较平滑的状态,而根据角点的定义可知,我们主要关注的是其邻域内的各个方向上灰度变化足够明显的像素点,因此很难提取出一些具有鉴别性,即主要将它们从其它物体区分开来的WORD,所以很容易出现过标至全图的情况。可以猜想,改变提取的特征,有助于解决这一问题。而car、bike、book、building、sign等各类标签由于其对应的物体特征鲜明,通过EM迭代以后,可以获得大量的具有鉴别性的WORD,因此在本实验中获得非常不错的标定效果。

另外一些标签的性能不高,很大程度是由于数据集的缺陷造成的。一是某些数据样本不够充分。如bird、flower、boat以及mount等标签,由于它们在有限的图像数据集中表现过于多样性,但是对于每一种表观其对应的图像数量却又不够充分,因此在K-means聚类和EM迭代过程中很难体现出其属于该标签对应词袋的优势,因此最终标定效果不佳,针对这种情况,有效地解决途径之一便是提高其各种表观对应的图像数量。二是某些标签一直伴随出现。这主要体现在body、face这两个标签上。由于数据集限制,这两个标签一直同时出现,并且从未各自标定在某幅图像上。因此从本质上来说,本文中提出的算法无法有效地将两者区分开来,虽然实验效果上face类的标定效果尚可。对大部分的机器学习方法而言,这种情况也都很难解决,因此一般还是通过增加各类标签单独对应的物体图像来解决这一问题。最后,实验中我们使用了矩形框对物体区域进行标定,这在一定程度上也会造成过标情况的加剧,后续会进一步改进图像局部区域的标定方法。

如图5所示为一些多标签图像的标定情况。

为了更好地体现出本文中算法的有效性,我们同样在MSRC上实现了文献[11]提出的引入最经典的两类支持向量机(BSVM)以及图像分块最优合并的多标签区域标定算法加以对比试验。该算法首先通过对基本支持向量机的扩展,将Ntag类的多标签问题转化为Ntag类的两类问题。对于对应于某个标签的某个分类器,如果图像标有该标签,则该图像为正样本,否则为负样本。训练阶段,为了保持正负样本的平衡性,选取同等数量的正负样本,删除多余的负样本。测试阶段,首先对每幅图像进行过分割,然后对所有的图像分块依次用训练所得的Ntag类的分类器获得其为该标签正样本的概率。最后运用文中提出的图像分块最优合并的算法,获得图像各标签的大致对应区域。实验的性能对比如图6所示。

整体上说来,在样本数据充分的情况下,本文中提出的算法在解决非监督自动标定、标签表观的多样性以及多标签等问题上都取得了不错的效果。

4 结 语

本文提出了一个基于EM迭代的非监督图像多标签区域标定算法,它能够非常有效地将基于全图的标签自动标定到图像的对应局部区域上,同时能够很好地解决多标签以及标签对应物体表观多样性的问题。后续进行的工作将主要关注在改进特征表示的多样性和有效的特征组合方式,从而提高本算法在其他各类标签上的适用性和准确性。

参考文献

[1]Yu S X,Sh i J.Ob ject-specific figure-ground segm entation[C]//CVPR2003,2003.

[2]Borenstein E,Sharon E,U llman S.Comb in ing top-down and bottom-upsegm entation[C]//Proceed ings IEEE workshop on Perceptual O rgan i-zation in Computer V ision,CVPR 2004,2004.

[3]刘曦,史忠植,石志伟,等.一种基于特征捆绑计算模型的物体识别方法[J].软件学报,2010,21(3):452-460.

[4]W inn J,Jojic N.Locus:Learn ing ob ject classes w ith unsupervised seg-m entation[C]//IEEE International Conference on Computer V ision,2005,1:756-763.

[5]L iu X B,Yan S C,Luo J B,et al.Nonparam etric label-to-region bysearch[C]//CVPR 2010,2010.

[6]Koen E A van de Sande,Theo Gevers,Cees G M Snoek.Evaluation ofcolor descriptors for ob ject and scene recogn ition[C]//CVPR2008,2008.

[7]Lowe D.Ob ject recogn ition from local scale-invariant features[C]//IC-CV 1999,1999.

[8]KrystianM ikolajczyk,Cordelia Schm id.A performance evaluation of lo-cal descriptors[C]//IEEE Transactions on Pattern Analysis and Ma-ch ine Intelligence,2005,27:1615-1630.

[9]Pham P,MoensM,Tuytelaars T.C ross-M ed ia A lignm ent of Nam es andFacesT[C]//IEEE Transactions on Mu ltim ed ia,2010,12:13-27.

[10]Shotton J,W inn J,Rother C,et al.Textonboost:Joint appearance,shape and contextmodeling for mu lit-class ob ject recogn ition and seg-m entation[C]//European Conference on Computer V ision,2006:1-15.

[11]L iu X,Cheng B,Yan S,et al.Label to Region by B i-Layer SparsityPriors[C]//Proc.ACM Mu ltim ed ia 2009,2009.

区域监督 篇2

一、目的

为进一步提升公司办公区及公共卫生区域现场规范化管理水平，增强各级管理人员做好现场管理工作的主动性和责任意识，特制定本制度。

二、适用范围

办公区及公共卫生区域。

三、检查方法

1、由公司行政科牵头，TPM推进办、生产部安环科共同参与，组成办公区和公共卫生区域现场检查小组，对公司办公区和公共卫生区域现场管理情况进行定期检查。

2、监督检查每周进行一次，时间为每周五下午3时（按季节变化进行调整）。

3、监督检查小组依照本制度规定相关内容进行监督检查，对发现的不合格项次进行拍照取证。

4、行政科负责不合格项次的汇总和发放，并依照检查结果起草考核通报，报总经理助理批准后，由人资科兑现考核。

四、检查内容

1、办公区卫生检查标准

①严禁工作时间做私活、聚众聊天、大声吵闹、上网聊天等。②办公现场严禁抽烟（接待室、会议室除外）。

③门窗、地面干净整洁，无蛛网、烟头、烟盒、杂物、垃圾等，垃圾桶及时清理。④办公桌面整洁，文件物品摆放整齐，无积尘。⑤墙壁干净，无积尘和蛛网。

⑥办公桌椅、文件柜、饮水机、花草等所有物品实行定置管理，废弃、闲置物品及时清理。

⑦电源线、信号线无私搭乱接。

⑧个人物品存放于储藏柜内，摆放整齐。

⑨安全事故为零。

2、公共卫生区域检查标准

①分包卫生区及道路定时打扫，干净整洁，无积尘、浮土、垃圾及其他明显杂物；

②分包卫生区两侧绿化带无卫生纸，塑料袋、烟头、纸片等白色垃圾，无明显其他杂物。无断落树枝、无枯树枝、无杂草等杂物；

③清扫后垃圾及时清理，责任区内垃圾桶表面无污物、无人为损毁。严禁向桶内丢弃烟头等有明火物品（发生火灾一次罚款200元）。

五、考核和评比

1、凡监督检查中发现不合格项次，均按2分/处给予处罚。

2、参评单位划分为：财务部、营销部、采购部、办公室、质量部、技术部、生产部、铸一车间、铸二车间、清理车间、制芯车间、机加车间、TRW车间、设备科、生技科。

3、每月10日前，由行政科对上月检查中发现的不合格项次进行统计，依据项次进行排名（不合格项次最少的为第一名，不合格项次最多的为倒数第一名）。排名结果报总经理助理审核批准。

4、获得月度第一名的单位，每人奖励绩效得分2分。

5、评比结果在公司内部进行通报（附照片）。

六、其他事项

1、被检查人对监督检查小组检查结果有异议的，应于结果反馈之日起2日内到行政科进行申诉。超过时限的，申诉无效。

2、申诉未达成一致意见的，被检查人可以找公司总经理助理进行投诉。

3、本制度自下发之日起开始执行。

区域监督 篇3

数字减影血管造影(digital subtraction angiography,DSA)是介入放射学的常用设备,随着介入放射学和医疗设备技术的快速发展,DSA正在以前所未有的速度在临床普及,涉及放射科、心内科、神经内科等多个临床科室,越来越多的医务人员投身到放射诊疗工作中,越来越多的患者接受介入放射学诊疗[1]。由于介入放射学操作是床旁近台操作,而且曝光时间远远大于其他普通X线影像诊断,因此无论是施术者还是患者,都可能受到较大的辐照剂量[2,3]。因此,调查研究DSA项目放射防护及设备性能情况,对于保护放射工作人员、患者的健康,保证放射诊疗质量具有十分重要的意义。

1 材料与方法

1.1 调查对象

随机抽取北京军区范围内的9家医院的11台DSA项目开展调查。

1.2 调查内容

设备质量性能指标、放射诊疗许可情况、放射工作人员资质情况、放射诊疗安全防护情况(机房面积、门窗防护、电离辐射警告标志、工作指示灯、机械通风、防护用品配置)等。

1.3 调查方法

依据《放射诊疗管理规定》《军队放射防护监督实施办法》《医用X线诊断放射防护要求》《医用常规X射线诊断设备影像质量控制检测规范》以及JJG 1067—2011《医用诊断数字减影血管造影(DSA)系统X射线辐射源》等相关法规、标准及规程,利用X线机多功能质量检测装置、DSA检测模体、X-巡测仪等相关放射防护检测仪器,按照对应的检测方法及条件对数字减影血管造影项目的各项指标进行调查检测[4]。

2 结果

(1)DSA项目的防护情况。11个DSA项目相关防护设施情况调查结果见表1。DSA项目机房放射泄漏水平检测结果见表2。

(2)DSA项目性能指标检测。11台DSA项目性能指标检测结果见表3。

(3)DSA项目的各类行政许可及正确使用情况。DSA项目有关的《放射诊疗许可证》、人员的《军队放射工作人员证》《大型医疗设备上岗证》等的持有或正确使用情况见表4。

3 讨论

介入放射学是开展历史较短、近年来发展最为迅猛的放射诊疗项目,随着医疗水平的提高和临床诊治的需求,其应用范围有进一步扩大的趋势[5,6]。DSA设备由原来主要用于大型综合性医院逐步向中小型医院普及,接受介入放射学的患者越来越多,由此带来的防护问题也就越来越受到关注[7]。

此次随机抽查的北京军区11个DSA项目的放射防护指标中,机房面积、受检者防护用品的配备、机房通风情况、铅悬吊防护屏的设置、床侧防护屏的设置、放射工作场所辐射泄漏水平等指标合格率较高,皆超过了90%,而受检者防护用品的设置、工作状态指示灯设置以及电离辐射警示标志设置的合格率较低,分别是63.64%、72.73%和81.82%。移动式铅防护屏风的配置率虽然较低(36.36%),但由于属选配项目,各单位可根据自身需求予以配置。介入放射学项目是患者受照剂量最大的放射诊疗项目之一,1台手术的曝光时间即超过1 h,患者在术中受照剂量可高达上千m Gy[8]。为患者使用防护用品,可以使患者的受照剂量显著降低[9],配备和使用防护用品,对于保护接受介入放射学治疗的患者具有重要作用。工作状态指示灯可以指示DSA设备曝光情况,可以有效防止对无关人员的误照射;电离辐射警示标志也对防止无关人员进入放射工作场所发挥着重要作用。上述几项指标不合格,尤其是一些单位不配备患者用防护用品,说明在DSA项目的放射防护方面还存在不容忽视的问题。

从11台DSA设备的性能检测结果发现,出现问题主要是空气比释动能率、均匀性和伪影3个指标。空气比释动能率是曝光时有用线束入射皮肤处单位时间的辐射量。该值决定着患者在接受介入学诊疗时的剂量,在满足介入学诊疗的前提下,此值应尽量小。JJG 1067—2011中规定,在自动透视模式下,最大视野和最大帧数脉冲透视或连续透视的条件下,空气比释动能率不大于88 m Gy/min,否则患者将受到偏大的剂量照射;均匀性是系统影像接受面上不同区域对入射空气比释动能响应的差异,均匀材料的模体其影像应该是均匀一致的,均匀性变差则直接影响到影像质量进而影响到诊断效果;减影伪影是指图像中明显可见的,即不代表物体内部结构,也不能用噪声或系统的调制传递函数来说明的纹理,伪影可能造成误诊或误操作。上述指标问题有些可以通过医院自身技术人员的调节或校准得以解决,但有些指标的改善则需要协调厂方技术人员进行维修。上述检测结果提示,一些DSA项目的质量保证工作尚需进一步加强。

在许可证件持有及使用情况方面,个人应持有的军队放射工作人员证、大型医疗设备上岗证以及项目应获得的放射诊疗许可证都存在一定问题。主要有2个方面原因:(1)新开展的项目或新上岗人员未及时申领证件;(2)《放射诊疗许可证》未按规定在相关放射工作场所悬挂。说明有些放射卫生单位对于依法开展放射诊疗工作的意识还不够强,对于许可证的申办和使用方面的要求还没有得到很好地落实。

通过抽查北京军区部分DSA项目,在放射防护、设备性能和项目人员许可等方面都发现了一些不容忽视的问题。有针对性地解决这些问题,应做到以下3点:(1)加强法规标准的宣传,提高各个放射卫生单位对放射防护工作的认识;(2)加强对放射工作人员的防护知识培训,使他们掌握并自觉在工作中运用放射防护知识和技能;(3)加大对射线装备的更新、维护保养和质量控制力度,始终保持设备运行的最优化状态。

摘要：目的:调查了解北京军区数字减影血管造影(digital subtraction angiography,DSA)项目的放射防护和设备性能情况,分析解决存在的问题。方法:借助专业检测工具,对北京军区所属医院11台DSA项目进行抽查;根据有关法规标准进行监督监测,并对结果进行分析。结果:调研项目的防护设施指标以受检者防护用品的设置、工作状态指示灯设置以及电离辐射警示标志设置的合格率较低,分别是63.64%、72.73%和81.82%;DSA设备存在的性能问题主要是空气比释动能率、均匀性和伪影3个指标,合格率均为90.91%;在许可证件持有及使用方面也存在一定问题。结论:北京军区DSA项目需要有针对性地从放射防护、设备性能和项目人员许可等方面去改进和完善。

关键词：数字减影血管造影,放射防护,监督监测

参考文献

[1]赵进沛,杨会锁.放射诊疗卫生防护及其监督监测[M].北京:军事医学科学出版社,2013.

[2]SAFARI M J,WONG J H D,KADIR K A A,et al.Realtime eye lens dose monitoring during cerebral angiography procedures[J].Eur Radiol,2016,26(1):79-86.

[3]师勤莹,张锦.心血管介入放射工作人员个人剂量监测与分析[J].临床医药实践,2014,23(9):684-687.

[4]许军,马云升,王贝贝,等.数字减影血管造影设备检测方法及注意事项[J].医疗卫生装备,2013,34(12):83-85.

[5]CHEON J E.Quantitative digital subtraction angiography in pediatric moyamoya disease[J].J Korean Neursurog Soc,2015,57(6):432-435.

[6]HUR C W,CHANG H C,CHA S H,et al.Eleven year's single center experience of endovascular treatment of anterior communicating artery aneurysms:focused on digital subtraction angiography follow-up results[J].J Korean Neurosurg Soc,2015,58(3):184-191.

[7]姚杰,郑钧正,高林峰,等.上海市介入放射学应用现状的调查研究[J].辐射防护,2014,34(5):281-287.

[8]李雅春,杜国生,马永忠,等.155例介入放射学受检者剂量调查[J].中国辐射卫生,2007,16(1):51-52.