一、医学影像的存储技术及进展(论文文献综述)
刘晓鸣[1](2021)在《深度学习在医学影像分割与分类中的关键技术研究》文中进行了进一步梳理为缓解我国医疗资源长期短缺的社会矛盾,满足人民日益增长的医疗需求,基于深度学习的医学图像辅助诊断研究已成为智慧医疗中的重点发展领域。为更好地解决医学影像中多模态成像、多时间点采集、病灶空间异质性等难点,本文以深度学习技术为核心,以解决临床问题为导向,以设计全自动辅助诊断算法为目标,深入开展了多项医学影像中分割与分类模型的研究与应用,研究详情如下:本文首先提出了一个基于深度学习的肝癌消融术疗效评估全自动框架,该框架以多期CT影像中肝脏、肝癌肿瘤和消融区的自动三维分割模块为核心,还包括消融治疗的自动配准模块和消融手术治疗效果自动评估模块。在独立测试集上,该方法对多期CT影像中的肝脏分割Dice系数均可达95%,对术前静脉期CT影像中肿瘤分割的Dice系数为72.27%,对术后静脉期消融区域分割的Dice系数为89.06%。结果表明,该框架有望用于肝癌患者消融手术的全自动临床评估。随后,本文提出了一个适用于不同深度学习分割模型的自动后处理模块。在生成对抗网络(GAN)的基础上,提出标签分配生成对抗网络(LAGAN),以完成传统深度分割模型概率图的标签分配。随后,应用LAGAN完成CT影像中的结直肠癌肿瘤分割,并探讨其与不同深度学习网络相组合时的性能表现。LAGAN将FCN-32s对CT影像中结直肠癌肿瘤分割的Dice系数从81.83%提升至90.82%,将U-net分割的Dice系数从86.67%提升至到91.54%。结果表明,LAGAN是一种灵活且稳定的后处理模块,并可与不同深度分割网络自由组合,并实现CT影像中结直肠癌肿瘤的分割任务。为解决深度学习网络在分类任务中可解释性差的问题,本文最后提出了一种可解释性引导的集成卷积神经网络(CNN),以完成扩散张量成像(DTI)中脑胶质瘤真假复发自动分类。首先,构建三个典型的单分类模型。随后,利用上述网络所有卷积层中的特定类别梯度信息来突出DTI扫描中的病灶相关区域。影像医生在其中选择出与分类问题高度相关的卷积层。最后,利用所选层的抽象特征构建多尺度集成CNN。该集成网络对脑胶质瘤真假复发的分类准确率达到90.20%,对各单分类网络提升特异度均在20%以上。结果表明,该网络能够提升单分类CNN的模型可靠性和分类准确性。综上所述,本文针对不同的应用场景与医学影像数据类型,特异性地改进了现有的深度学习分割与分类模型。本文提出的研究思路及框架具有较强的通用性,对未来更多的深度学习医学影像辅助诊断建模具有积极的参考意义。
李茵[2](2021)在《面向医院管理的数据驱动决策研究》文中指出信息技术的快速发展与应用以及大数据战略的深入实施,使得大数据成为科技创新引领与决策支撑的重要战略资源,科学研究与实践正在完成“假设驱动”到“数据驱动”的巨大转变,大数据的深度挖掘与利用能够为社会发展、政府治理、国家安全等提供新的动能。围绕国家大数据战略,丰富和拓展大数据应用创新领域,推动管理升级,给学术界、产业界以及政府部门带来许多新的重要课题。其中面向健康服务供给侧的决策支持、决策引导和决策创新中的数据驱动、数据价值转换问题即是管理学、数据科学的核心科学问题之一,更是情报学应对大数据环境开展智慧型情报服务必须解决的关键问题之一。健康医疗大数据时代的到来,促使医院管理和医院管理者的观念都随之变化。数据驱动对医院精细化、智慧化管理决策具有重要意义。本研究从提升医疗管理决策质量的角度出发,构建数据驱动医院管理决策过程模型,分析数据驱动医院管理决策的影响因素,进而提出面向医院管理的数据驱动决策模型,并展开实证研究,为数据驱动决策领域的研究理论基础和实证研究提供参考依据,为促进医院精细化管理提供对策及建议。基于此,通过界定“数据驱动”、“医院管理”、“医院管理评价”与“数据驱动决策”等相关概念,以回顾数据驱动决策、面向医疗健康领域的数据驱动决策、面向医院管理的数据驱动决策以及数据驱动决策的影响因素研究现状为基础,综合运用文献调研法、半结构访谈法、问卷调查法、扎根理论法、结构方程法、统计分析法、机器学习法分析了面向医院管理的数据驱动决策的过程模型和影响因素模型,并构建了面向医院管理的数据驱动决策模型。围绕面向医院管理的数据驱动决策模型这一核心研究内容,本文第三章在已有BASM模型研究过程的基础上,结合医院管理决策场景的特殊性,探索面向医院管理的数据驱动决策的运行机理,构建面向医院管理的数据驱动决策过程模型,以梳理驱动的路径,理清其中的内在逻辑。该模型由处理过程模型及支持过程模型两部分构成,旨在分别回答面向医院管理的数据驱动决策过程中两个核心问题,一是数据本身如何转化并如何嵌入到医院管理决策过程中,二是医院中能够支持并且推动数据驱动决策的途径是什么。第四章采用扎根理论进行了面向医疗管理领域数据驱动决策的影响因素识别研究,编码面向医院管理者的半结构化访谈资料,经过饱和度测试,最终识别出了四个维度的影响因素。第五章在对影响因素定性研究的基础上利用结构方程模型方法进一步验证影响因素,探讨相关变量的权重和关系。阐述各个因素对医院管理决策的影响关系,验证数据驱动医院管理决策影响因素模型。第六章整合数据驱动医院管理决策过程模型和影响因素模型,构建支持医院管理决策全过程的数据驱动决策模型,探讨过程模型与影响因素模型的内在联系。第七章根据已构建的面向医院管理的数据驱动决策模型,进行基于DRGs分组的医疗服务能力评价和医生绩效评价管理工作的实证研究,修正和完善已构建的模型。具体内容如下:(1)构建面向医院管理的数据驱动决策过程模型。基于现有的数据驱动决策机制模型,结合医院管理实践,构建面向医院管理的数据驱动决策过程模型,该模型由处理过程模型及支持过程模型两部分构成,处理过程模型包括面向医院管理决策的数据处理过程和数据驱动的医院管理决策处理过程。决策处理过程既是数据处理过程的最后阶段,对数据处理的结果进行展示与应用,又会不断地产生新的数据,前推已有数据的老化和错误,补充和修正数据处理过程。而数据处理过程以决策处理过程中的阶段性需求为导向,能嵌入到决策处理过程的所有阶段,为决策处理的全流程服务。支持过程模型主要涉及两用户一技术。两用户包括数据分析人员和管理者,使能技术是创建和改进能够嵌入到操作系统的分析工具,这三个主体不能割裂独立,而可以互相转化并可能同时存在,共同对数据和决策进行处理,支持处理过程模型运转。(2)系统分析了面向医院管理的数据驱动决策影响因素。对主观及客观上影响管理者数据驱动决策的因素进行整合和相关分析,确定四个核心影响因素范畴分别是医疗数据质量,信息技术,医院组织管理和管理者信息素养,构建了影响因素模型,发现数据驱动医院管理决策能受到管理者信息素养、医院组织管理和信息技术的正向影响,其中管理者信息素养最强,其次是医院组织管理和信息技术;医院组织管理对医疗数据质量、管理者信息素养、决策目标均有影响,对医疗数据质量的影响要强于管理者信息素养;医疗数据质量能够对信息技术产生正向影响;信息技术对决策目标具有正向影响。(3)构建了面向医院管理的数据驱动决策模型。将过程模型与影响因素模型有机结合在一起,构成了面向医院管理的数据驱动决策模型。打造数据驱动决策模型,将医院数据质量标准化管理贯穿于医院管理全流程、智能化管理提升医务人员的信息技术、高效化管理增效医院组织三个方面分析模型的实现,提出模型优化建议。(4)基于DRGs的肺癌医疗服务绩效分析实证研究。模拟医院管理中运用DRGs分组工具解决绩效问题的真实场景,应用数据驱动医院管理决策模型,优化DRGs分组,优化绩效管理。研究最终确定性别、年龄、入院途径、离院方式、住院次数、医保付费方式、是否手术、合并症严重情况八个因素为影响肺癌医疗服务费用的因素,构建了8个DRGs分组,其中合并症严重程度、是否手术、住院次数是决策树分组的分类结点变量。选用医疗服务能力的指标(DRGs总权重、CMI)根据获取的数据进行比较,完成绩效评价工作,实现基于数据驱动决策的绩效管理。
闫芳[3](2021)在《医学影像重建算法研究及应用》文中研究说明医学成像通常是指在数字健康检查中,以诊断和治疗为目的,创建被试者体内解剖结构影像的技术和过程。常见的医学成像包括解剖成像和功能成像两种模式,其技术生成的图像可以提供被试者的组织、结构和功能信息。医学影像诊断是临床数据中较为重要的诊断依据之一,通常医生需要借助医学影像判断被试者是否存在病灶区域,并根据病灶的轻重程度对疾病状态进行评估和分级。在影像采集过程中,获取的原始医学影像由于样本自身重力、扫描成本以及操作不当等因素,出现器官或组织在成像的过程中引发物理性撕裂、分辨率降低或者拼接顺序错乱的现象,导致图像退化。医学影像重建针对不同的退化原因,借助算法思维和计算机算力的辅助,通过一系列的图像处理技术,将退化图像重建为理想情况下的完整图像。重建后的医学影像能够在分类、检测和分割等领域进行研究建模和量化分析,为临床提供数据标注和统计分析方面的参考,达到提高诊断准确率和效率的目的。因此,在医学影像处理和分析中,影像重建具有极其重要的作用。图像配准、插值和拼接是医学影像重建相关应用的重要方法,有利于多方面整合被试者的影像信息、提高图像分辨率以及复原完整图像,为疾病预测与分析、辅助诊断等提供了技术支持。在临床解决实际问题的过程中,由于医学影像在获取和应用中的特殊性,包括因操作过程、采集时长以及医生工作量等因素产生的复杂需求,通常需要联合配准、插值和拼接等多项任务交叉进行。图像插值是配准中不可或缺的关键步骤,配准有利于拼接精确度的提高,拼接结果也可以应用于插值和配准的过程中。为解决医学影像临床基础研究中的实际需求,针对图像重建任务中面临的难题,基于图像处理和分析领域的关键技术,本文主要研究内容包括以下几部分:(1)基于分段配准的有损伤性鼠脑光片荧光显微影像重建。在鼠脑光片荧光显微影像的采集过程中,因鼠脑自身重力或操作过程不慎等原因,容易引起器官或组织产生物理性撕裂。针对以上问题,本文借助核磁共振成像可用于颅腔内或活体扫描的优势,提出了基于核磁共振与光片荧光显微影像分段配准的影像重建方法。考虑两种模态影像在鼠脑解剖结构上的一致性,利用Waxholm空间图谱及其对应的标注图像,使用随机游走和形态学方法分别对鼠脑核磁共振和光片荧光显微影像进行无监督分割。将配准应用于分割后的光片荧光显微影像和核磁共振影像,获取全局范围内的形变场。结合基于核磁共振影像的模板和拉普拉斯方程对各部分的形变场进行图像融合,通过图像扭曲和重采样获取到修复后的光片荧光显微影像。该方法解决了分段配准过程中多模态影像无监督分割以及图像融合的问题,被初步应用在鼠脑同体配准和异体配准中,为鼠脑光片荧光显微影像的后续处理和分析提供了思路。(2)基于空间信息和插值的多模态人脑核磁共振影像重建。在人脑核磁共振T2-Flair加权影像的采集过程中,由于存在成像条件的限制,包括扫描时长、成像序列差异或采集成本等,通常仅能在某一轴向平面获取高分辨率的三维核磁共振影像数据。针对以上问题,本文利用T1加权影像扫描时间短的优势,提出了基于空间信息和插值的多模态图像重建方法。该方法结合高层厚值的T2-Flair加权影像和低层厚值的T1加权影像间的多模态信息,引入空间约束关系,结合条件生成对抗网络构造出图像高分辨率重建模型。在可视化和量化评估方面,该模型均被证实能够有效提高某一轴向平面的分辨率,为后续图像病灶区域分割或疾病分析等工作提供了高分辨率的数据。(3)基于图像拼接的组织病理影像重建。在与人体组织病理影像相关的多模态影像研究中,由于组织病理影像仅对局部组织制作切片,无法满足联合其它模态高分辨率影像在全局范围内分析影像间相关性的需求。针对以上问题,本文融合无重叠图像拼图的思路,提出了基于图像拼接的组织病理影像重建方法。该方法建立在病理切片为矩形的前提假设下,构造出一个未知方向和排列的碎片重建问题。结合马氏梯度度量和投影的幂方法的优势,基于二次规划模型,该方法将碎片间的组合优化难题转化为有约束的非凸优化问题,建立一种图像拼接模型。利用马氏梯度度量计算碎片相邻的关系,既考虑了边缘像素的灰度信息,又引入了边缘像素的梯度信息,提高了度量的准确性。基于投影的幂方法能够将碎片间的相邻关系在高维空间中表示,并结合随机的初始排序状态,利用迭代的幂方法和空间投影,进一步保证优化算法在高维空间中收敛到最优解的准确性,减少图像重建和复原的时间。在可视化和量化评估方面,该方法验证了无重叠未知方向和排序的图像拼接重建算法的有效性,为后续不规则碎片图像重建以及基于病理影像的多模态影像分析提供了潜在思路。综上所述,本文从医学影像诊断和基础研究面临的实际需求出发,根据数据集的特点和待解决的问题设计模型与算法,达到完成医学影像重建任务的目的。实际需求方面包括鼠脑光片荧光显微影像物理性损伤修复重建、人脑核磁共振T2-Flair加权影像高分辨率重建、人体组织病理影像拼接重建;数据集特点方面包括医学影像维度问题、不同模态信息互补与融合、不同模态影像采集误差、不同个体影像生理结构上的差异、三维影像空间信息问题、影像灰度值或颜色信息分布和范围、不同生物体因结构差异显着对算法造成的影响、深度学习数据扩增、数据标注、评价标准和金标准问题等;模型与算法方面包括随机游走、形态学变换、图谱引入、仿射和弹性配准、最近邻搜索、拉普拉斯方程、生成对抗网络结构等。在视觉和量化评估方面的实验结果表明,本文所提出的模型和算法能够有效完成医学影像重建任务,为解决医学影像在临床基础研究和分析中所面临的实际问题贡献微薄力量。
潘豪[4](2021)在《基于Trusted-LGBM模型的早期AD病变预测的研究与实现》文中提出阿尔兹海默症对中老年人和社会的危害较大,但是目前并没有针对该疾病的特效治疗药物。如果能够尽可能早地检测出阿尔兹海默症的病情发展趋势,就能够及早地对患者采取合适的医疗措施,延缓疾病的恶化进程。根据受试者在恶化为AD前病情的发展趋势将受试者分为平稳型与进展型,平稳型受试者虽然处于轻度认知障碍(MCI)阶段,但却能保持较长时间不继续恶化,而进展型受试者则会迅速转化为AD。因此本文的研究重点在于区分这两种类型的受试者,并进一步预测受试者的病变趋势及病程。本文的主要工作包括:1)针对稳定型和进展型受试者的检出,提出了一种基于LightGBM改进的梯度提升树算法模型——Trusted-LGBM。首先通过特征变换对受试者原始纵向数据预处理实现将回归问题转化为分类问题。接着添加属性变化率作为表征病情变化的特征,从而实现在病情早期对阿尔兹海默症的病变趋势进行提示。为了充分利用含有空值的样本,模型中还引入了样本可信度(Sample Trusted Level)这一概念,使得模型对于空值的容忍度得到进一步提升。2)针对阿尔兹海默症早期诊断中存在的输入属性较多、预测结果粗粒度的问题,本文通过研究阿尔兹海默症患者的病程与各项属性值及其变化率之间的相关性,提出了基于递进式属性输入的阿尔兹海默症病程预测模型,通过多阶段的属性输入,逐步提高模型诊断的准确度,并且能够对进展型患者作进一步的分析。3)为了解决阿尔兹海默症辅助诊断模型的量表数据采集问题,本文设计并实现了阿尔兹海默症自测系统,该系统通过微信小程序呈现给用户,用户可以随时随地完成MoCA测试并将结果上传到服务端,该系统为AI辅助诊断模型中认知评估量表数据的采集提供了一种更加简便的方式。
宋世豪[5](2021)在《医学影像脱敏系统的设计与实现》文中研究表明医学影像数据蕴涵着巨大的医疗价值,但也包含了大量的患者敏感信息,如果未经脱敏处理直接发布或共享原始医学影像数据,将不可避免地造成患者隐私泄漏。数据匿名化技术通过隐匿和泛化等匿名化操作对数据集进行处理,使得数据元组无法关联到具体个体,从而降低隐私泄漏的风险。针对数据匿名化领域中的个性化隐私保护问题,本文对PE(α,k)模型进行改进,提出一种IPE(α,k)模型,使其不仅能够满足个性化的隐私保护需求,而且能够避免相似性攻击。同时,本文提出一种基于聚类-合并-分裂的个性化匿名算法,该算法能够在实现IPE(α,k)模型基础上,进一步减少信息损失,保留更多的数据可用性。基于所提出的个性化隐私保护模型及匿名算法,本文设计并实现了一个支持医学影像异构数据脱敏的系统。系统支持数据管理者、数据消费者和系统管理员三类用户,并提供元数据管理、数据脱敏、脱敏数据的权限配置及访问等功能。本文首先分析系统需求,描述系统的核心功能和性能指标;然后对系统进行概要设计,明确系统的工作流程、接口以及关键数据结构;随后详细设计每一个子系统及其模块并给出具体实现;最后,本文通过系统测试验证了医学影像脱敏系统满足预期设计。
王成宇[6](2021)在《基于新型压缩感知技术的医学图像安全传输》文中研究说明随着医疗信息化水平的快速发展,以及人口老龄化速度的加快,医疗机构的医疗数据的存储以及维护需要耗费巨大的成本。面对持续增长的海量影像数据,数据的存储、调用、信息安全和充分利用是值得每一个医疗服务机构关注的问题。医疗影像的信息安全也是不容忽视的关键问题。世界各国的相关研究技术专家以及学者,正在积极的尝试从医疗影像数据中挖掘更多的潜在信息,计算机技术在医学影像领域的应用使得医疗服务机构能够更好的为病人服务。为了保障在存储介质中的医疗影像的信息安全性,防止个人、机构、国家医疗卫生相关信息泄露,保护医学影像的信息安全需要密切关注。压缩感知(Compressed Sensing,CS)技术是一种不同于传统方式的信号处理技术,只需要在确保信号在某个域为可稀疏的便可以通过压缩感知技术进行压缩。传统压缩感知测量矩阵的维数需要满足重构条件并且与信号矩阵匹配,而当信号矩阵的维数很大时,测量矩阵的维数也需要随之增大,使得测量矩阵内的元素数量呈指数性上涨,对于构造一些测量矩阵所需要的时间以及存储空间大幅增加。P张量积的压缩感知技术突破了传统压缩感知技术的瓶颈。基于张量积的方式构造测量矩阵,降低测量矩阵的存储空间加快测量矩阵的构造。虽然压缩感知技术可以同时实现对图像的压缩以及加密过程,医学图像涉及病患的个人隐私,因此医学图像的加密需要更高的安全性,因此需要使用额外的图像加密算法对图像进行加密。为了满足医学图像在存储以及传输场景中对于空间效率、传输效率以及图像信息安全型的需求,本文分别提出基于P张量积的压缩感知模型医学图像安全传输技术。本文的主要研究成果和创新点如下:(1)提出将P张量积压缩感知模型应用于医学图像的压缩以及传输场景中,在P张量积压缩感知模型中,数据的发送端以及数据的接收端都不需要再保存一个维数比较大的测量矩阵,只需要保存生成Chaotic矩阵的参数,可以达到节省存储空间的效果,同时能够加快测量矩阵的构造,加快数据发送端对数据进行压缩的进程。压缩感知能够为图像带来一定的加密效果,新型压缩感知技术降低存储空间的要求以及需要传输的数据量,加快数据发送到接收端的进程。(2)提出迭代重加权最小二乘(Iterative Reweighted Least Square,IRLS)算法应用于压缩感知的图像还原重建,并且确定了使用的迭代权重以及对应的参数,迭代重加权最小二乘算法使用lρ范数形式的迭代权重且ρ=0.8时,对于低采样率的图像的重建效果最好。IRLS算法能够适应初始测量矩阵维数降低带来的性能下降,保证重建图像具有良好的质量,并且算法具备稳定性。所采用的IRLS算法相对于正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)在相同的重建图像质量的前提下,需要更少的采样数据,能够降低传输的数据的数量,加快数据传输的进程。(3)提出一种基于双重混沌系统的图像加密技术。所提出的图像加密算法具备充足的密钥空间,以及极高的密钥敏感度。能够在信息熵、相邻像素相关性、图像灰度分布直方图等方面达到十分优越的效果,为医学图像的存储以及传输带来了充足的信息安全保障。
何静[7](2021)在《基于卷积神经网络的医学影像分割系统的设计与实现》文中研究指明在癌症发病率和死亡率逐年攀升的今天,人们对健康问题越发关注,对于提升肿瘤检测及时性和准确率的希望也越发迫切。随着现代计算机技术的迅速发展,卷积神经网络成为国内外专家学者的研究热点,将其的研究成果应用于医疗领域,帮助医生对肿瘤做出高效而准确的诊断,这具有着重要的社会意义和实用价值。由于不同身体部位和不同检查方式中的肿瘤具有不同的形态,本文针对核磁共振成像的脑胶质瘤进行了分割模型的研究,并搭建Web系统使医生可以方便的直接使用模型,系统还加入了病人影像浏览标记、诊断结果打印、系统留言等功能,方便医生在临床上直接使用该系统进行医疗工作。本文主要贡献如下:1、本文研究了脑胶质瘤MRI分割的相关理论和方法,通过对基于CNN的U-Net模型和V-Net模型的研究,结合BraTS19数据集进行分析,设计了针对BraTS19数据集的预处理过程并提出了基于V-Net的分割模型BraTS19-3DVNet。实验证明本文的BraTS19-3DVNet模型表现优异,能够满足大部分场景和环境下对脑胶质瘤分割速度和精度的需求。2、本文结合医生在临床中的诊断过程,完成了系统的需求分析和系统设计,确认了系统的业务需求、用户需求、功能需求、非功能需求、软件架构、功能模块和数据库方案,主要将系统分为身份认证、系统管理、病人数据管理、病人影像分析、诊断管理和留言管理六大功能模块。本文使用Spring Boot作为系统实现框架,根据每个功能模块的设计完成系统功能实现和测试,并对系统整体进行性能测试,最终实现一个高效、可靠、便捷的Web系统。医生可通过该系统对病人的脑胶质瘤的形状、大小和边界做出快速而准确的判断,提高诊断的效率和准确率。此外,系统为卷积神经网络模型在医疗领域的实际应用提供了较好的参考。
刘畅[8](2021)在《眼前节虚拟手术中物理模型构建与形变算法研究》文中研究表明计算机虚拟手术即在计算机中对生物组织或器官进行手术操作的模拟,计算机虚拟手术可以用于手术前的规划,其软件的核心部分是组织或器官模型的建立,以及对模型进行形变、切割等模拟操作所需的算法。本文研究眼前节虚拟手术,所涉及的对象主要是以角膜为代表的软组织,故核心部分是软组织形变模型的构建,以及模型形变算法。本文使用光学相干层析成像技术(Optical Coherence Tomography)获取离体猪眼球的眼前节的三维成像数据,以此数据为依据使用质点弹簧模型(Mass-Spring Model)和基于位置动力学方法(Position Based Dynamics)两种方法建立了眼前节软组织模型并进行形变模拟,并且在此基础上完成一个眼前节虚拟手术软件。搭建光学相干层析成像系统对多个离体猪眼球进行了扫描成像,获取了一系列离体猪眼球切片图像,通过三维重建的方法处理这些数据,绘制出猪眼前节的几何形状。并在实时扫描猪眼球时对猪眼球施加不同的载荷,记录猪眼前节在不同受压情况下的形变情况,这些数据描述了猪角膜的外形,以及其中角膜等软组织的物理性质。根据得到的数据建立角膜的网格模型,在此模型的基础上使用质点弹簧模型和基于位置动力学方法这两种方法分别进行网格模型的形变模拟。质点弹簧模型由一系列通过弹簧相连结的质点构成,以此模拟物体内部的相互作用;基于位置的动力学方法通过建立质点与质点之间的约束条件将一系列质点构建为一个模型整体。上述角膜网格模型的形变模拟是眼前节虚拟手术软件的核心模块,在此基础上加入碰撞检测、使用Open GL进行的图形绘制和使用CUDA控制的GPU加速计算等模块,并利用Qt设计用户控制界面,完成一个完整的眼前节虚拟手术软件。本文获得了使用真实猪眼球实验的OCT扫描数据绘制成的三维图像,基于两种不同的方法在计算机中建立了两种可形变的角膜模型并进行了对比。完成的虚拟手术软件可以用来了解受到不同压力条件的情况下眼球可能会出现的形态变化。
李彤欣[9](2021)在《医联体背景下远程影像诊断模式的应用效果研究》文中认为目的:本研究在于评价分析沈阳市皇姑区构建远程影像诊断模式在区域内的应用效果,针对如何更加充分利用远程平台实现资源共享提出应对策略,并为其它地区推广基于远程影像诊断平台构建医联体模式提供科学依据。研究方法:本研究统计整理自2017年1月至2020年12月通过该平台完成的远程影像诊断的数据资料,并选取在皇姑区中心医院放射科进行检查的居民,采用便利抽样的方法进行问卷调查,进行面对面访谈式的调查,以平台建立前后的完成影像诊断的数量、居民对平台的知晓度、了解度和满意度及医务人员对远程影像诊断平台的满意度和意见及建议等为测量指标进行效果评价分析。本次研究向居民发放问卷335份,最终有效问卷330份,有效率为98.5%;向医务人员发放问卷22份,最终有效问卷20份,有效率为90.9%。对问卷录入SPSS21.0进行分析,主要统计学方法包括描述性分析、卡方检验、二元Logistic回归分析和多分类Logistic回归,定性资料部分进行总结归纳。结果:1.通过平台数据收集,总体看远程影像诊断平台自投入使用起,累计拍片人次为307128人次,市区广泛人群享受到了影像服务。2.社区居民对远程影像诊断的知晓率为33.9%、了解度为35.8%、满意度为84.9%,低于以往学者对远程医疗调查中的认知度和满意度。通过多因素分析表明,年龄是社区居民知晓度、了解度的影响因素,学历是满意度的影响因素。3.医务工作者对平台的排版满意度为95%,内容安排满意度为85%,平台操作满意度为80%,使用效果满意度为85%,平台的内容安排、操作性、使用效果仍有提升空间。结论:远程影像诊断模式实现优质资源下沉惠及到区域居民,取得一定成效。优质的影像及准确的诊断报告缓解了基层医院放射科工作人员的紧缺,提升了医务人员的工作效率。当前,平台运行还处于初步阶段,存在功能不善、网络延迟、设备维护满意度不高等问题,且社区居民对其认知偏低。对此建议拓展平台功能,强化网络及设备维护,并加大宣传力度,尤其需要对低学历和高年龄的居民重点宣传以提升认知度及满意度。
谢哲[10](2020)在《医学影像信息系统中的智能化报告技术研究》文中认为影像报告作为医学影像信息系统中对患者的影像检查和诊断信息进行记录的媒介,无论是在医生的临床工作还是研究工作中都被广泛的使用。影像报告亦是门诊医生与影像科医生之间重要的交流手段。然而查阅和书写影像报告是一件十分耗时和繁琐的工作。帮助医生更高效地进行影像报告的查阅和书写对于减轻医生的工作负担和提高医院的服务质量有着至关重要的意义。本研究的目的在于利用人工智能技术对医学影像信息系统中报告查阅和书写功能进行自动化和智能化改造,从而提高医生处理影像报告的效率。具体地说,本文基于深度学习技术开展了影像报告信息抽取、影像诊断结论自动生成、结构化报告自动生成三项智能化报告技术的研究。这些智能化报告技术被分别建模成序列标注、文本摘要和图像分割问题,并使用本文新提出的神经网络模型加以解决。本文主要的创新性研究工作如下:对于影像报告的查阅,本文提出了一种影像报告的信息抽取和可视化显示方法,它能对影像报告中的关键信息进行抽取、分组、传递和显示。本文提出的基于专业临床术语和多粒度词嵌入的神经网络模型Multi-Embedding-BGRUCRF编码了文本的词典匹配信息、偏旁部首信息和上下文信息,在关键信息抽取任务中取得了95.88%的F1值,比基准模型高1.70个百分点,基于规则的实体分组方法也取得了91.03%的准确率。本文还研究了将信息抽取功能集成到放射信息系统中的方法,通过在传统的放射信息系统中添加信息抽取服务器、JSON对象存储数据库和关键信息展示界面,实现了二者的集成。进一步的对照实验表明,集成了信息抽取功能的放射信息系统能帮助医生减少约46%的报告阅读时间。对于影像报告中诊断结论的书写,本文提出了一种诊断结论自动生成方法,它能根据影像报告中的影像表现和其他字段信息自动生成诊断结论,该生成的诊断结论可以作为一个动态生成的模板供医生进行编辑,从而减少医生书写影像报告的编辑次数,提高书写效率。本文提出的基于信息融合编码的神经网络模型Info Fusion2Seq不仅对影像表现文本进行了编码,还对影像报告中其他的短文本字段和结构化字段进行了不同方式的编码,并将所有的编码信息进行了融合后供解码模块进行解码输出。该方法在测试数据上取得了77.03%的ROUGEL值和11.49的编辑距离,优于本文列出的所有基准模型。实验结果显示基于该方法生成的报告模板进行书写,能减少医生书写诊断结论的编辑次数,提高医生书写报告的效率。对于青光眼筛查报告的生成,本文提出了一种精细化图像分割方法,并基于此进行图像测量和计算进而生成青光眼筛查报告。该精细化图像分割方法主要包括轮廓变换和序列标注网络SU-Net。轮廓变换是本文提出的一种图像坐标变换方法,可以将一幅图像变换到以任意轮廓线为中心的图像。SU-Net是一种从自然语言处理领域中得到启发的用于图像分割的序列标注网络,它直接对分割边界进行预测。该精细化图像分割方法可与任意的普通分割方法组成一个两步的由粗到细(Coarse-to-Fine)分割流程,能进一步抑制背景噪声并获得更加均衡的前背景比例,从而减小分割误差。对于视盘和视杯的分割,本文使用该精细化分割方法在两个公开数据集:MESSIDOR和Drishti-GS上都取得了目前最佳的效果。本文进一步在Drishti-GS数据集上测试了该分割方法在青光眼筛查报告自动生成中的效果,实验结果显示本方法取得了目前最小的杯盘比(Cup-to-Disc Ratio)误差(0.047)和最高的AUC值(0.935)。
二、医学影像的存储技术及进展(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、医学影像的存储技术及进展(论文提纲范文)
(1)深度学习在医学影像分割与分类中的关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 医学影像处理研究现状 |
1.2.1 医学影像自动分割算法研究现状 |
1.2.2 医学影像自动诊断算法研究现状 |
1.3 深度学习中的医学影像处理研究现状 |
1.4 研究内容及主要创新点 |
第2章 医学影像分割与分类基础概述 |
2.1 深度学习中主要基础模型 |
2.1.1 多层感知机模型 |
2.1.2 卷积神经网络模型 |
2.1.3 全卷积神经网络模型 |
2.1.4 生成对抗网络模型 |
2.2 医学影像的存储和分类 |
2.3 医学影像预处理技术 |
2.3.1 医学影像数据归一化 |
2.3.2 CT影像的窗宽与窗位 |
2.3.3 医学影像重采样 |
2.3.4 医学影像数据扩增方法 |
2.4 医学影像模型评估方法 |
2.4.1 医学影像分类模型评估方法 |
2.4.2 医学影像分割模型评估方法 |
第3章 多期相CT影像肝脏及肝癌肿瘤三维分割模型 |
3.1 研究背景 |
3.2 实验材料及方法 |
3.2.1 实验总体流程 |
3.2.2 实验材料 |
3.2.3 残差注意力U-net |
3.2.4 基础分割模型的构建 |
3.2.5 迁移分割模型的训练及测试 |
3.3 实验结果及讨论 |
3.3.1 多期相肝脏分割结果 |
3.3.2 多期相肿瘤分割结果 |
3.3.3 多期相消融区域分割结果 |
3.3.4 消融手术治疗效果评估 |
3.4 本章小结 |
第4章 基于生成对抗网络的CT影像结直肠癌肿瘤分割模型 |
4.1 研究背景 |
4.2 实验材料及方法 |
4.2.1 实验总体流程 |
4.2.2 实验材料 |
4.2.3 标签分配生成对抗网络 |
4.3 实验结果及讨论 |
4.4 本章小结 |
第5章 基于可解释性集成网络的脑胶质瘤真假复发分类模型 |
5.1 研究背景 |
5.2 实验材料及方法 |
5.2.1 实验总体流程 |
5.2.2 实验材料 |
5.2.3 脑胶质瘤真假复发单分类模型的构建 |
5.2.4 分类模型可解释性引导的特征选择 |
5.2.5 脑胶质瘤真假复发集成模型的构建 |
5.3 实验结果及讨论 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读博士学位期间取得的科研成果 |
致谢 |
(2)面向医院管理的数据驱动决策研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 数据驱动决策的研究现状 |
1.3.2 数据驱动医疗健康领域决策的研究现状 |
1.3.3 数据驱动医院管理决策的研究现状 |
1.3.4 数据驱动决策的影响因素研究现状 |
1.3.5 研究现状述评 |
1.4 研究框架与研究内容 |
1.4.1 研究框架 |
1.4.2 主要研究内容 |
1.4.3 拟解决的关键问题 |
1.5 研究方法和技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
第2章 相关基础理论和方法 |
2.1 医院管理相关概念 |
2.1.1 医院管理 |
2.1.2 医院管理评价 |
2.1.3 医院管理者 |
2.2 决策支持相关理论 |
2.2.1 西蒙决策理论 |
2.2.2 数据驱动决策相关理论 |
2.3 信息链理论 |
2.3.1 信息链与信息技术 |
2.3.2 “信息”上溯到“数据”带来的变化 |
2.3.3 信息链视域下的数据驱动医院管理决策 |
2.4 BASM模型 |
2.4.1 BASM模型的产生 |
2.4.2 BASM模型的研究现状 |
2.4.3 基于BASM模型的数据驱动医院管理决策研究 |
2.5 相关研究方法 |
2.5.1 扎根理论 |
2.5.2 结构方程模型 |
2.5.3 决策树算法--CHAID |
2.6 相关应用场景 |
2.6.1 医疗服务绩效 |
2.6.2 DRG在医疗服务绩效管理中的应用 |
2.7 本章小结 |
第3章 面向医院管理的数据驱动决策过程模型构建 |
3.1 面向医院管理决策的数据驱动过程模型 |
3.1.1 数据驱动决策模式运行机制 |
3.1.2 BASM的过程模型 |
3.1.3 基于BASM过程模型的数据驱动医院管理决策过程模型构建 |
3.2 面向医院管理的数据驱动决策过程模型要素分析 |
3.2.1 驱动要素 |
3.2.2 需求要素 |
3.2.3 支持要素 |
3.2.4 要素间关系 |
3.3 数据驱动的医院管理决策中数据处理过程 |
3.3.1 医疗数据存在的问题 |
3.3.2 面向医院管理决策的数据处理原则 |
3.3.3 面向医院管理决策的数据处理过程 |
3.4 面向医院管理的数据驱动决策过程模型运行机制 |
3.4.1 面向医院管理决策的信息链转化过程 |
3.4.2 数据驱动的医院管理决策制定过程 |
3.5 本章小结 |
第4章 基于扎根理论的数据驱动医院管理决策的影响因素分析 |
4.1 研究问题与研究程序 |
4.1.1 研究问题 |
4.1.2 研究方法 |
4.1.3 研究程序 |
4.2 研究设计 |
4.2.1 研究对象选取 |
4.2.2 资料收集 |
4.2.3 信效度检验 |
4.3 编码分析 |
4.3.1 开放式编码 |
4.3.2 主轴编码 |
4.3.3 选择性编码 |
4.3.4 理论饱和度检验 |
4.4 数据驱动医院管理决策影响因素理论模型与阐释 |
4.4.1 影响因素理论模型构建 |
4.4.2 影响因素分析 |
4.4.3 影响因素关系分析 |
4.5 本章小结 |
第5章 数据驱动医院管理决策的影响因素模型构建 |
5.1 数据驱动医院管理决策影响因素变量选择与界定 |
5.1.1 医疗数据质量维度 |
5.1.2 信息技术维度 |
5.1.3 医院组织管理维度 |
5.1.4 管理者信息素养维度 |
5.1.5 数据驱动医院管理决策维度 |
5.2 相关研究假设 |
5.2.1 医疗数据质量 |
5.2.2 信息技术 |
5.2.3 医院组织管理 |
5.2.4 管理者信息素养 |
5.3 调查问卷的编制与问卷修正 |
5.4 数据获取与统计分析 |
5.4.1 研究对象 |
5.4.2 样本量的选择 |
5.4.3 信度分析 |
5.4.4 样本分布 |
5.4.5 样本数据相关性 |
5.5 效度分析 |
5.5.1 探索性因子分析 |
5.5.2 验证性因子分析 |
5.6 基于结构方程的影响因素模型构建与检验修正 |
5.6.1 影响因素模型构建 |
5.6.2 模型基本适配评估 |
5.6.3 假设检验的结果 |
5.7 结构方程模型检验结果分析 |
5.7.1 影响因素强度分析 |
5.7.2 医疗数据质量对信息技术影响的验证结果分析 |
5.7.3 信息技术对数据驱动医院管理决策影响的验证结果分析 |
5.7.4 医院组织管理对医疗数据质量影响的验证结果分析 |
5.7.5 医院组织管理对管理者信息素养影响的验证结果分析 |
5.7.6 医院组织管理对数据驱动医院管理决策影响的验证结果分析 |
5.7.7 管理者信息素养对医疗数据质量影响的验证结果分析 |
5.7.8 管理者信息素养对信息技术影响的验证结果分析 |
5.7.9 管理者信息素养对数据驱动医院管理决策影响的验证结果分析 |
5.8 本章小结 |
第6章 面向医院管理的数据驱动决策模型研究 |
6.1 数据驱动医院管理决策模型构建 |
6.2 面向医院管理的数据驱动决策模型的驱动机制 |
6.2.1 面向医院管理的数据驱动决策模型的驱动目标 |
6.2.2 面向医院管理的数据驱动决策模型的驱动特征 |
6.2.3 面向医院管理的数据驱动决策模型的驱动过程 |
6.3 数据驱动医院管理决策模型影响因素的作用机制 |
6.3.1 医疗数据质量在数据驱动决策模型中的影响机制 |
6.3.2 信息技术在数据驱动决策模型中的影响机制 |
6.3.3 医院组织管理在数据驱动决策模型中的影响机制 |
6.3.4 管理人员素养在数据驱动决策模型中的影响机制 |
6.4 数据驱动医院管理决策模型对医院管理的提升策略 |
6.4.1 提升医疗数据质量 |
6.4.2 发挥信息技术使能作用 |
6.4.3 发挥医院组织管理支持作用 |
6.4.4 提高管理人员信息素养 |
6.5 本章小结 |
第7章 面向医院管理的数据驱动决策的实证研究 |
7.1 资料来源与研究对象 |
7.2 原发性肺癌患者的DRGS分组 |
7.2.1 数据基础 |
7.2.2 数据纳入 |
7.2.3 术语映射 |
7.2.4 DRGs分组结果对比 |
7.3 基于DRGS细分组的医疗服务绩效评估 |
7.3.1 基于决策树的原发性肺癌患者DRGs细分组模型 |
7.3.2 基于DRGs细分组的医疗服务绩效评估指标 |
7.3.3 医生医疗服务绩效指标统计结果 |
7.3.4 科室医疗服务绩效指标统计结果 |
7.4 讨论 |
7.4.1 数据驱动医院管理决策过程 |
7.4.2 数据驱动医院管理决策影响因素 |
7.5 本章小结 |
第8章 结论与创新 |
8.1 结论 |
8.2 研究创新点 |
8.3 研究局限 |
参考文献 |
附录1 病案组DRGS分组情况 |
附录2 医生组DRGS分组情况 |
附录3 访谈提纲 |
附录4 调查问卷 |
作者简介及在学期间所取得的科研成果 |
后记与致谢 |
(3)医学影像重建算法研究及应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 图像配准 |
1.2.2 图像插值 |
1.2.3 图像拼接 |
1.3 研究目标与研究内容 |
1.4 研究难点与创新点 |
1.5 论文组织结构 |
第2章 医学影像背景知识 |
2.1 光片荧光显微影像 |
2.2 核磁共振影像 |
2.3 组织病理影像 |
2.4 医学影像空间特性 |
2.5 医学影像处理难点 |
第3章 基于分段配准的有损伤性鼠脑光片荧光显微影像重建 |
3.1 引言 |
3.2 相关知识 |
3.2.1 图像无监督分割 |
3.2.2 分段配准 |
3.2.3 仿射配准 |
3.2.4 对称微分同胚配准 |
3.2.5 图像融合 |
3.3 具体方法 |
3.3.1 基于Waxholm空间图谱的无监督分割 |
3.3.2 基于仿射和微分同胚算法的多模态影像配准 |
3.3.3 基于拉普拉斯方程的形变场融合 |
3.4 实验 |
3.4.1 数据集和参数设置 |
3.4.2 实验和结果分析 |
3.5 本章小结 |
第4章 基于空间信息和插值的多模态人脑核磁共振影像重建 |
4.1 引言 |
4.2 相关知识 |
4.2.1 经典插值算法 |
4.2.2 多模态转换 |
4.2.3 生成对抗网络 |
4.3 具体方法 |
4.3.1 多模态融合模型 |
4.3.2 空间信息约束的融合模型 |
4.3.3 网络结构 |
4.4 实验 |
4.4.1 数据集和参数设置 |
4.4.2 实验和结果分析 |
4.5 本章小结 |
第5章 基于图像拼接的组织病理影像重建 |
5.1 引言 |
5.2 相关知识 |
5.2.1 拼图问题 |
5.2.2 非凸优化问题 |
5.3 具体方法 |
5.3.1 基于马氏梯度度量的相关关系计算 |
5.3.2 基于高维空间的排列矩阵表示 |
5.3.3 基于投影的幂方法的全局优化 |
5.4 实验 |
5.4.1 数据集和参数设置 |
5.4.2 实验和结果分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
攻读博士学位期间的主要成果 |
致谢 |
(4)基于Trusted-LGBM模型的早期AD病变预测的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要工作 |
1.4 论文组织结构 |
2 相关技术 |
2.1 核磁共振成像 |
2.2 医学影像分割 |
2.2.1 传统方法 |
2.2.2 深度学习方法 |
2.3 集成学习 |
2.3.1 Bagging |
2.3.2 Boosting |
2.4 梯度提升决策树 |
2.4.1 梯度提升 |
2.4.2 决策树 |
2.4.3 GBDT算法 |
2.4.4 LightGBM |
2.5 微信小程序 |
2.6 本章小结 |
3 基于Trusted-LGBM的早期AD病变趋势预测 |
3.1 研究背景 |
3.2 问题描述 |
3.2.1 纵向数据 |
3.2.2 问题转化及定义 |
3.3 Trusted-LGBM |
3.3.1 样本可信度 |
3.3.2 K-means聚类特征 |
3.4 实验与分析 |
3.4.1 实验设计 |
3.4.2 特征提取及预处理 |
3.4.3 评价指标 |
3.4.4 参数设置与结果分析 |
3.5 本章小结 |
4 递进式早期AD病程预测 |
4.1 研究背景 |
4.2 递进式预测模型 |
4.2.1 属性确定与阶段划分 |
4.2.2 模型构建 |
4.3 进展型患者病程预测 |
4.4 实验与分析 |
4.4.1 实验设计 |
4.4.2 评价指标 |
4.4.3 参数设置与结果分析 |
4.5 本章小结 |
5 阿尔兹海默症自测系统的设计与实现 |
5.1 系统需求分析 |
5.2 系统总体架构 |
5.3 系统实现 |
5.3.1 登录验证模块 |
5.3.2 预检查模块 |
5.3.3 认知测试模块 |
5.4 系统前端展示 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间的研究成果目录 |
致谢 |
(5)医学影像脱敏系统的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文组织结构 |
第二章 基础知识 |
2.1 数据匿名化的基本概念 |
2.2 K-ANONYMITY模型 |
2.3 IPE(A,K)模型 |
2.3.1 分类树与隐私保护级别 |
2.3.2 α_(isg)-无关联约束 |
2.3.3 保护结点约束 |
2.3.4 IPE(α,k)模型 |
2.4 DICOM影像文件格式 |
2.5 本章小结 |
第三章 医学影像脱敏系统需求分析 |
3.1 需求概述 |
3.1.1 系统环境与角色定义 |
3.1.2 系统用例分析 |
3.2 功能性需求 |
3.2.1 用户管理功能 |
3.2.2 元数据管理功能 |
3.2.3 数据脱敏功能 |
3.2.4 权限配置功能 |
3.2.5 脱敏数据访问功能 |
3.3 非功能性需求 |
3.3.1 易用性、响应速度和稳定性要求 |
3.3.2 医学影像数据脱敏效果 |
3.4 本章小结 |
第四章 个性化匿名算法研究 |
4.1 问题分析 |
4.2 基于聚类-合并-分裂的个性化匿名算法的提出 |
4.2.1 信息损失及距离定义 |
4.2.2 算法描述 |
4.2.3 正确性分析 |
4.3 实验结果与分析 |
4.3.1 模型及算法的衡量标准 |
4.3.2 实验数据与环境 |
4.3.3 实验结果 |
4.4 本章小结 |
第五章 医学影像脱敏系统概要设计 |
5.1 系统工作流程设计 |
5.2 系统结构设计 |
5.2.1 数据管理子系统结构设计 |
5.2.2 数据脱敏子系统结构设计 |
5.2.3 数据访问子系统结构设计 |
5.3 系统接口设计 |
5.4 系统关键数据结构设计 |
5.5 本章小结 |
第六章 医学影像脱敏系统详细设计与实现 |
6.1 系统技术选型与技术架构 |
6.1.1 系统技术选型 |
6.1.2 系统技术架构 |
6.2 数据管理子系统详细设计与实现 |
6.2.1 用户管理模块详细设计与实现 |
6.2.2 元数据管理模块详细设计与实现 |
6.2.3 关键页面展示 |
6.3 数据脱敏子系统详细设计与实现 |
6.3.1 脱敏算法模块详细设计与实现 |
6.3.2 脱敏任务管理模块详细设计与实现 |
6.3.3 关键页面展示 |
6.4 数据访问子系统详细设计与实现 |
6.4.1 权限管理模块详细设计与实现 |
6.4.2 数据访问模块详细设计与实现 |
6.4.3 关键页面展示 |
6.5 本章小结 |
第七章 医学影像脱敏系统测试 |
7.1 测试环境 |
7.2 功能性测试 |
7.2.1 单元测试 |
7.2.2 集成测试 |
7.3 非功能性测试 |
7.3.1 系统性能测试 |
7.3.2 数据脱敏效果测试 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 总结 |
8.2 未来展望 |
参考文献 |
致谢 |
(6)基于新型压缩感知技术的医学图像安全传输(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 压缩感知技术的研究与发展 |
1.2.2 医学图像安全传输技术研究 |
1.3 研究内容 |
1.4 论文结构 |
第二章 相关技术理论 |
2.1 压缩感知基础理论 |
2.1.1 压缩感知基本框架 |
2.1.2 信号的稀疏表示 |
2.1.3 测量矩阵 |
2.1.4 信号的还原重建 |
2.2 几种压缩感知模型 |
2.2.1 矩阵的张量积运算 |
2.2.2 半张量积 |
2.2.3 半张量积压缩感知模型 |
2.2.4 图像分块的压缩感知模型 |
2.3 混沌理论 |
2.3.1 混沌基础理论 |
2.3.2 几种经典混沌系统 |
2.3.3 混沌系统的应用 |
2.4 本章小结 |
第三章 P张量积压缩感知图像压缩模型 |
3.1 基于P张量积压缩感知技术的图像传输技术 |
3.1.1 P张量积 |
3.1.2 P张量积压缩感知模型 |
3.1.3 P张量积压缩感知模型的可行性 |
3.1.4 P张量积压缩感知模型的还原重建算法 |
3.2 P张量积压缩感知模型的仿真实验以及分析 |
3.2.1 图像信号还原重建的表现 |
3.2.2 P张量积压缩感知模型下构造测量矩阵的高效性 |
3.2.3 P张量积压缩感知模型下构造测量矩阵的灵活性 |
3.3 本章小结 |
第四章 基于新型压缩感知安全高效的医学图像传输技术 |
4.1 安全高效的医疗影像传输技术 |
4.1.1 医疗影像传输需求 |
4.1.2 安全高效的医学影像传输模型 |
4.1.3 JPEG与提出的压缩感知技术的压缩效果对比 |
4.2 仿真结果以及性能分析 |
4.2.1 有效性以及高效性分析 |
4.2.2 数据安全性能分析 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 主要工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学位论文目录 |
(7)基于卷积神经网络的医学影像分割系统的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统的图像分割方法 |
1.2.2 基于像素分类的方法 |
1.2.3 基于特定理论的方法 |
1.3 论文主要工作 |
1.4 论文结构 |
第二章 相关概念及技术介绍 |
2.1 数据增强的方法 |
2.2 卷积神经网络 |
2.3 目标分割 |
2.3.1 U-Net网络 |
2.3.2 V-Net网络 |
2.4 系统技术介绍 |
2.4.1 Spring框架 |
2.4.2 Spring Boot框架 |
2.4.3 Mybatis框架 |
2.4.4 MySQL数据库 |
2.5 本章小结 |
第三章 基于卷积神经网络的脑胶质瘤分割模型研究 |
3.1 模型设计 |
3.2 数据处理 |
3.2.1 数据集介绍 |
3.2.2 数据预处理 |
3.2.3 数据增强 |
3.3 实验与结果 |
3.3.1 模型训练 |
3.3.2 评价指标 |
3.3.3 实验结果分析 |
3.4 本章小结 |
第四章 基于卷积神经网络的医学影像分割系统的需求分析 |
4.1 业务需求分析 |
4.2 用户需求分析 |
4.2.1 用户角色分析 |
4.2.2 用例分析 |
4.3 系统功能需求分析 |
4.4 系统非功能需求分析 |
4.4.1 系统稳定性 |
4.4.2 系统易用性 |
4.4.3 系统可维护性 |
4.4.4 系统可扩展性 |
4.4.5 系统安全性 |
4.5 本章小结 |
第五章 基于卷积神经网络的医学影像分割系统的设计 |
5.1 系统软件层次架构设计 |
5.2 系统功能模块设计 |
5.2.2 身份认证模块 |
5.2.3 系统管理模块 |
5.2.4 病人数据管理模块 |
5.2.5 病人影像分析模块 |
5.2.6 诊断管理模块 |
5.2.7 留言管理模块 |
5.3 系统的数据库设计 |
5.3.1 概念结构设计 |
5.3.2 逻辑结构设计 |
5.4 系统界面设计 |
5.5 本章小结 |
第六章 基于卷积神经网络的医学影像分割系统的实现 |
6.1 系统实现环境与工具 |
6.1.1 实现软硬件环境 |
6.1.2 系统实现工具 |
6.2 系统功能模块的实现 |
6.2.1 身份认证模块的实现 |
6.2.2 系统管理模块的实现 |
6.2.3 病人数据管理模块的实现 |
6.2.4 病人影像分析管理模块的实现 |
6.2.5 诊断信息管理模块的实现 |
6.2.6 留言信息管理模块的实现 |
6.3 本章小结 |
第七章 基于卷积神经网络的医学影像分割系统的测试 |
7.1 系统功能测试 |
7.1.1 身份认证模块的测试 |
7.1.2 系统管理模块测试 |
7.1.3 病人数据管理模块测试 |
7.1.4 病人影像分析模块测试 |
7.1.5 诊断管理模块测试 |
7.1.6 留言信息管理模块测试 |
7.2 系统性能测试 |
7.3 本章小结 |
第八章 结束语 |
8.1 论文工作总结 |
8.2 问题与展望 |
参考文献 |
致谢 |
(8)眼前节虚拟手术中物理模型构建与形变算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.1.1 光学相干层析成像在医学影像上的应用 |
1.1.2 虚拟手术和手术导航 |
1.1.3 虚拟现实技术和增强现实技术在医学上的应用 |
1.2 国内外研究进展 |
1.2.1 计算机中建立生物组织或器官模型的研究进展 |
1.2.2 软组织模拟的研究进展 |
1.2.2.1 质点弹簧模型在软组织模拟方面的研究进展 |
1.2.2.2 PBD模型在软组织模拟方面的研究进展 |
1.2.2.3 有限元模型及其它模型在软组织模拟方面的研究进展 |
1.2.3 虚拟手术和手术导航在实验和临床上的应用 |
1.3 本论文的主要研究内容以及创新点 |
1.4 本论文的结构与安排 |
第二章 利用OCT系统采集眼球的三维数据 |
2.1 用于采集数据的OCT系统 |
2.2 离体猪眼球的眼前节三维数据采集的操作 |
2.3 离体猪眼球眼前节三维成像数据分析和后处理 |
2.3.1 使用AMIRA软件对猪眼扫描数据进行处理 |
2.3.2 自行编写程序对猪眼扫描数据进行处理 |
2.4 本章小结 |
第三章 眼前节软组织形变模拟 |
3.1 利用OCT数据建立角膜几何模型 |
3.2 基于质点弹簧模型的眼前节软组织结构模拟 |
3.2.1 质点弹簧模型的构成 |
3.2.2 基于质点弹簧模型的软组织模拟的程序实现 |
3.2.3 基于质点弹簧模型的软组织模拟结果分析 |
3.3 基于PBD模型的眼前节软组织结构模拟 |
3.3.1 约束条件及解约束条件 |
3.3.2 基于PBD模型的软组织模拟的数据结构和程序实现 |
3.4 本章小结 |
第四章 眼前节虚拟手术软件的构建 |
4.1 眼前节虚拟手术模拟软件架构 |
4.2 软组织模型与虚拟手术器械之间的碰撞检测 |
4.3 利用OPENGL实现图像绘制 |
4.4 利用CUDA实现GPU加速计算 |
4.5 使用QT完成软件的用户界面 |
4.6 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续可能的工作展望 |
致谢 |
参考文献 |
(9)医联体背景下远程影像诊断模式的应用效果研究(论文提纲范文)
摘要 |
Abstract |
英文缩略语 |
1 前言 |
1.1 研究背景 |
1.2 皇姑区远程影像诊断建设模式 |
2 对象和方法 |
2.1 研究对象 |
2.2 调查及分析方法 |
2.2.1 调查方法 |
2.2.2 质量控制 |
2.2.3 数据分析 |
3 结果 |
3.1 远程影像诊断平台的数据收集汇总 |
3.2 社区居民就诊意向及对远程影像诊断的认知评价 |
3.2.1 社区居民的人口学特征 |
3.2.2 社区居民对远程影像诊断的认知度及满意度 |
3.3 社区居民对远程影像诊断平台的认知及满意度影响单因素分析 |
3.4 社区居民对远程影像诊断平台的认知度影响多因素分析 |
3.4.1 变量定义与赋值 |
3.4.2 社区居民对远程影像诊断平台的认知及满意度影响因素Logistic回归分析 |
3.5 医务人员对平台的满意度调查及建议 |
3.5.1 皇姑区中心医院医务人员的基本信息 |
3.5.2 医务人员对远程影像诊断的满意度 |
3.5.3 医务人员对远程影像诊断平台的意见或建议 |
4 讨论 |
4.1 医联体内实施远程影像诊断的必要性 |
4.2 医联体内实施远程影像诊断的有效性 |
4.3 医联体内实施远程影像诊断的问题和发展 |
4.4 本研究局限性 |
5 结论 |
本研究创新性的自我评价 |
参考文献 |
综述 远程影像诊断平台的构建与应用研究进展综述 |
参考文献 |
社会实践 |
附录 |
致谢 |
个人简历 |
(10)医学影像信息系统中的智能化报告技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究的背景和意义 |
1.1.1 医学影像信息系统简介 |
1.1.2 医学影像信息系统的工作流程 |
1.1.3 医学影像信息系统的发展和目前存在的问题 |
1.1.4 智能化报告技术研究的意义 |
1.2 国内外研究概况 |
1.2.1 国外的研究概况 |
1.2.2 国内的研究概况 |
1.3 本文的主要工作和创新 |
第2章 医学影像信息系统中智能化报告技术的理论基础 |
2.1 医学影像信息系统中智能化报告技术的问题建模 |
2.1.1 序列标注的理论基础 |
2.1.2 文本摘要的理论基础 |
2.1.3 图像分割的理论基础 |
2.2 医学影像信息系统中的协议与规范 |
2.2.1 DICOM |
2.2.2 HL7 |
2.2.3 ICD-10 |
2.2.4 SNOMED CT |
2.2.5 ACR Code |
2.2.6 Rad Lex |
2.3 深度学习技术 |
2.3.1 深度学习技术的发展历史 |
2.3.2 卷积神经网络 |
2.3.3 循环神经网络 |
2.3.4 人工神经网络的优化 |
2.4 本章小结 |
第3章 基于多粒度词嵌入的影像报告信息抽取及可视化研究 |
3.1 背景与相关研究 |
3.1.1 临床背景 |
3.1.2 相关工作 |
3.2 数据采集与标注 |
3.3 基于多粒度词嵌入和循环神经网络的医疗命名实体识别技术 |
3.3.1 中文字向量 |
3.3.2 双向GRU网络 |
3.3.3 CRF解码 |
3.3.4 多粒度词嵌入GRU网络 |
3.4 基于规则的实体分组技术 |
3.5 信息抽取在放射信息系统中的集成研究 |
3.6 方法及系统评估 |
3.6.1 评估方法 |
3.6.2 评估结果 |
3.6.3 结果讨论 |
3.7 本章小结 |
第4章 基于融合编码的影像报告诊断结论自动生成研究 |
4.1 背景与相关研究 |
4.1.1 临床背景 |
4.1.2 相关工作 |
4.2 实验数据采集及预处理 |
4.3 基于融合编码的文本生成算法 |
4.3.1 算法流程 |
4.3.2 基于融合编码的文本生成模型 |
4.3.3 集束搜索 |
4.4 实验与评估 |
4.4.1 评价指标 |
4.4.2 实验细节 |
4.4.3 实验结果 |
4.5 本章小结 |
第5章 基于眼底图像分割的结构化报告自动生成研究 |
5.1 背景与相关研究 |
5.1.1 临床背景 |
5.1.2 相关工作 |
5.2 基于轮廓变换和序列标注的精细化分割算法研究 |
5.2.1 算法流程 |
5.2.2 轮廓变换 |
5.2.3 SU-Net网络结构 |
5.2.4 维特比解码 |
5.2.5 联合加权损失函数 |
5.2.6 基于几何参数的数据增强 |
5.3 评价指标与实验数据 |
5.3.1 评价指标 |
5.3.2 数据集及对比方法 |
5.4 图像分割的实验与结果 |
5.4.1 实验细节 |
5.4.2 MESSIDOR数据集上的结果 |
5.4.3 模块拆解研究 |
5.4.4 Drishti-GS数据集上的结果 |
5.5 青光眼筛查报告自动生成的实验与结果 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
四、医学影像的存储技术及进展(论文参考文献)
- [1]深度学习在医学影像分割与分类中的关键技术研究[D]. 刘晓鸣. 吉林大学, 2021(02)
- [2]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [3]医学影像重建算法研究及应用[D]. 闫芳. 山东师范大学, 2021(12)
- [4]基于Trusted-LGBM模型的早期AD病变预测的研究与实现[D]. 潘豪. 东华大学, 2021(01)
- [5]医学影像脱敏系统的设计与实现[D]. 宋世豪. 北京邮电大学, 2021(01)
- [6]基于新型压缩感知技术的医学图像安全传输[D]. 王成宇. 北京邮电大学, 2021(01)
- [7]基于卷积神经网络的医学影像分割系统的设计与实现[D]. 何静. 北京邮电大学, 2021(01)
- [8]眼前节虚拟手术中物理模型构建与形变算法研究[D]. 刘畅. 电子科技大学, 2021(01)
- [9]医联体背景下远程影像诊断模式的应用效果研究[D]. 李彤欣. 中国医科大学, 2021(02)
- [10]医学影像信息系统中的智能化报告技术研究[D]. 谢哲. 中国科学院大学(中国科学院上海技术物理研究所), 2020(03)