一、异构医学影像信息共享的研究与实现(论文文献综述)
初佃辉,吴军,刘志中,涂志莹,胡鑫,李春山,苏欢,夏勇,高希余[1](2021)在《智能化医养融合服务平台关键技术及应用研究》文中认为近年来,我国医疗健康和养老服务行业存在资源结构不平衡、医养服务智能化水平低、跨域协同难等问题;同时,缺乏应对重大疫情与突发公共卫生事件的信息化体系与机制。针对上述问题,本文基于大数据、人工智能、物联网、服务计算等新一代信息技术,通过服务模式、服务匹配、医养大数据治理、智能化诊疗服务与智能化辅助诊断机器人等关键技术创新以及智能化医养融合服务平台的研发,通过"互联网+医疗健康"和"互联网+养老"服务体系的深度智能化协同,实现了医疗健康与养老服务的深度融合,解决了医养服务资源整合难、多源多模态数据与异构系统治理难、全流程全周期智能辅助诊疗以及医养融合服务供给难等挑战性问题。
李锦[2](2021)在《慢性病健康监护系统中间件的设计与实现》文中指出
肖小娇[3](2021)在《基于无造影剂MRI图像的肝癌智能诊断方法研究》文中认为肝癌是全球最常见且死亡率高的癌症之一。肝癌的微小肿瘤很难被及时发现是造成死亡率高的最主要原因。目前,磁共振成像(Magnetic Resonance Imaging,MRI)是临床主要的肝癌诊断手段之一,它通过注射造影剂可以明显提高肿瘤诊断的敏感性和特异性。然而,注射造影剂不可避免地存在风险高、毒性大和副作用大等问题。近年来,无造影剂MRI以其扫描时间短、低风险、无有毒金属危害等优势,成为研究的新热点。但在研究中,采用无造影剂扫描会使MRI图像的对比度较低、肿瘤区域边缘模糊,为肝肿瘤的准确诊断过程增加了许多难点。针对这一瓶颈问题,拟通过计算机对无造影剂MRI图像进行肝癌智能诊断,不仅能成为临床医师的辅助工具,也是提高患者生存率以及治愈率的重要方法。本文对基于无造影剂MRI图像的肝癌智能诊断进行了一系列研究。通过对无造影剂MRI图像的分析,借助人工智能技术对肝肿瘤的2D分割方法进行研究;在充分研究多模态无造影剂MRI影像间的互补信息的基础上,探索构建肝肿瘤的3D分割和多指标量化的多任务相关网络;挖掘多模态无造影剂MRI图像间的依赖信息,同时构建小样本数据的增强体系,实现肝部无造影剂MRI图像中肿瘤的自动分类;进一步研究分割和检测任务间的关联关系,构建肝肿瘤分割和检测的联合对抗学习网络。主要研究贡献如下:(1)针对无造影剂MRI图像中肝肿瘤的边缘模糊、与周围正常组织的对比度低、差异性较大和复杂度较高等特点,本文提出一种放射组学特征指导的DUN-GAN(Radiomics-guided DUN-GAN)网络用于肝肿瘤区域的2D分割。本部分的研究内容包括3个方面:i)密度嵌套UNet的分割器提取到肝肿瘤的语义特征和全局指导特征,并利用特征相关性对特征进行合理且高效的融合。ii)鉴别器中引入三相造影剂增强MRI图像(动脉期,门静脉期和延迟期)结合的放射组学特征作为先验知识,以学习到分割器和鉴别器间的映射关系。iii)在放射组学特征对抗思想的指导下,网络获得了准确性较高的无造影剂MRI图像中肝肿瘤的2D分割。本文提出的放射组学指导的先验知识以及多策略融合方式可以提取到无造影剂图像中关键的隐含的造影剂放射组学特征,从而实现低对比度图像中较准确的肝肿瘤分割。(2)针对无造影剂MRI序列图像中肝肿瘤空间解剖结构复杂,多模态无造影剂图像(T1FS+T2FS)间肿瘤表征差异较大,以及同时完成多任务(分割+量化)的复杂性较高等问题,本文提出一种双流相关3D(Two-stream associated 3DNet,TsA-3DNet)异构学习网络,利用多模态的无造影剂MRI来同时进行肝肿瘤的3D分割和多指标量化。本文研究内容主要包括两个方面:i)该网络充分考虑多模态数据的关联性和差异性,提出的多视角融合机制(Multi-view fused,Mv F)利用比例门优化算法提取多模态的互补信息,以进一步融合多通道(T1FS+T2FS)和不同尺度的特征。ii)该网络充分结合多任务间的关联和约束,提出的双向指导机制(Bi-directional guided,Bd G)关联多任务间的互补信息,以进一步实现多任务(分割+量化)的同时优化。本文提出的异构学习网络能够建立多视角特征的融合和多任务双向指导机制,从而较准确地同时实现多模态图像中肝肿瘤的3D分割和全面的多指标量化。(3)针对无造影剂MRI图像样本较少、自动识别复杂性较高、肿瘤特异性较低的问题,本文提出了一种稳定的细节指导的生成对抗(Detail-guided Generative Adversarial Network,Dg-GAN)网络,通过增强数据来改善肝肿瘤分类性能。Dg-GAN中的多尺度感知生成器引入残差块感知上下文信息,加强细节特征提取以合成更加逼真的造影增强图像。本文在合成数据增强的数据集上进行卷积和全局平均池化,并设计细节指导的VGG模型以验证数据增强对肝癌分类性能的影响。生成器的细节特征图被作为指导知识引入分类器,以促进不同类型肝癌的特异性特征提取和改善肿瘤分类性能。本文提出的数据增强方式有效地克服了数据样本少的难题,展示了较好的自动分类性能。(4)针对多模态无造影剂MRI图像间特征差异较大、分割和检测任务间复杂性较高的问题,本文提出联合对抗学习(United adversarial learning framework,UAL)网络,整合多模态无造影剂MRI的互补信息,以联合约束的方式实现肝肿瘤的同时分割和检测。首先,编码器通过引入边缘差异特征图的先验知识,增强三个模态的关键特征提取,同时利用门机制实现特征融合和自适应选择。坐标共享机制使得分割和检测进行联合以实现统一学习,同时将多相放射组学特征与语义特征结合以实现分割和检测的同时对抗学习。本文提出的联合对抗学习网络较充分的提高肝肿瘤分割和检测的性能。综上所述,本文围绕无造影剂MRI图像的肝癌智能诊断的四个问题,从不同的目的进行了相关任务的研究和网络的构建,这项工作具有一定的计算机理论意义和辅助诊断的价值。
李茵[4](2021)在《面向医院管理的数据驱动决策研究》文中研究指明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。
高杰诚[5](2021)在《智能3D可视化数字病人平台构建研究》文中指出随着医疗信息化的进程不断发展,医疗数据呈现爆炸式增长,医疗大数据的传输、存储、处理和可视化方面都面临着不小的挑战。医疗机构信息系统相互独立,在各项政策的引导下建立了电子病历系统、区域(或跨域)电子健康档案平台、区域数据中心等,病人数据量的不断增多导致医生在查询病人历史记录时存在操作繁琐、数据展现延迟、效率低等问题。如何解决医疗机构内和机构之间医疗数据的传输和存储问题已经成为当前医疗信息系统的短板。在智慧医疗概念的提出之后,医疗机构内部本地传输、存储和使用医疗数据的限制被打破,形成了区域化医疗数据的共享,这对医疗数据的传输、存储和使用的技术要求更高。基于智慧医疗的高速发展需求,为了解决医疗数据异构采集困难、医疗数据混合模式传输效率低、海量医疗数据存储性能出现瓶颈以及关键信息提取与可视化程度困难问题,本文提出了“智能3D可视化数字病人平台”,通过采集并处理一家(或区域)医疗机构的历史数据和实时数据,建立一套以提高诊疗效率为目标的可视化平台。本论文主要内容包括:1.多源并行采集子系统的设计。采集多家医院或医疗机构中的各类医疗数据至智能3D可视化数字病人平台,实现不同格式的医疗数据清洗和统一格式处理,以及后续医疗数据的传输和存储工作。2.容器管理平台的设计。基于Kubernetes的容器管理平台用于部署Docker容器引擎并在容器中运行Apache Flink分布式大数据处理集群和PostgreSQL数据库集群。采用容器技术实现了应用的轻量化和便携化,更有利于对数据的存取和处理集群的后续扩展部署。3.大数据存储框架与大数据处理的设计。建立一种基于HDFS分布式架构的海量医学影像存储模块和由PostgreSQL数据库存储海量医疗文字数据模块的存储子系统。其中存储子系统和采集子系统由Apache Flink分布式大数据处理集群连接,Apache Flink可以同时实现批处理和流处理两种数据处理模式,这样医院的历史数据批处理和实时数据流处理都能够传输到智能3D可视化数字病人平台。该套存储子系统将病人的文本和影像医疗信息整合在一起,省去医院内部和区域化医疗系统需要调阅多个医疗信息系统的麻烦。4.关键信息提取算法的设计。利用自然语言处理技术和统计学方法实现放射信息系统和病理信息系统的两种文本报告的关键信息提取算法。该算法可以提取这两种非结构文本中的关键医疗信息,并且生成键值对的JSON格式来用于传输、存储。此外还针对不同类别的结构化电子医疗病历设计提取适配器来提取其中节点中的关键信息并更新至键值对的JSON格式文件。该技术可以将原本非结构化的文本报告转化成结构化的报告数据,这样可以使得报告数据能更加清晰的呈现给病人或者医生;同时这还将有助于有关于智能医疗平台学习病人数据模型。本文在实验室已有的可视化数字病人和智能3D可视化数字病人显示系统的基础上开展多源数据采集、存储和信息处理平台架构的研究,在多源并行采集医疗数据中对文本数据进行统一格式化采集,确定了大数据处理框架,实现了将医疗机构中的批式历史数据、流式实时数据和提取出的关键医疗信息低延时地传输到平台的存储子系统中;使用混合存储子系统,提高了海量医疗数据的存储效率和能力;采用Docker容器引擎和Kubernetes容器管理平台,提高了整个平台的运行效率;结合自然语言处理技术和统计学方法,实现了放射信息系统和病理信息系统两种文本报告的关键信息提取、传输、存储和与智能3D可视化数字病人显示系统的集成。
张彦彬[6](2021)在《基于超融合架构的电子病历信息共享平台研究》文中进行了进一步梳理自20世纪80年代以来,医疗卫生资源分布不均、医疗卫生资源配置不均衡、医疗机构重叠、各地区临床医疗机构、部门临床医疗机构、单位临床医疗机构自成体系。医疗过度医患关系紧张,诊疗同一种病去不同的医院,尤其是各家医院的检查、检验、影像资料结果却互不相认,信息交互共享问题仍然十分突出。大多数基于区域协同专科慢性重大疾病为依据解决的医疗联合体模式。该模式由于医院在不同时期和阶段使用的信息系统来自不同的软件公司,导致出现架构的不同和数据的异构问题。未实现的包括医院信息系统HIS、电子病历EMR、实验室信息系统LIS、医学影像PACS在内的结构化和非结构化的全量或增量数据抓取、数据传输、数据存储、数据统计、数据分析和数据共享。当前在信息共享生产环境中还没有相关的应用场景。因此,围绕当今时代背景,以超融合架构的电子病历为切入点建设信息共享平台。本文的研究内容如下:(1)在原有专科疾病医联体模式的基础上,根据国家相关政策分析了电子病历信息共享的现状及其问题,结合超融合架构的特点,构建了电子病历信息共享平台的模式和体系,即以构建超融合架构的数据中心模式来满足医联体成员单位信息共享的需求。(2)在超融合架构的强一致性算法特性,使得数据异常下更快完成校验,促使医联体成员单位上传数据的安全。(3)根据信息共享平台分析和设计方案,搭建了超融合云计算平台和开发环境,以超融合云计算平台为基础进行了实现,验证了系统。本研究将超融合架构技术引入电子病历信息共享平台,结合其特点,通过关键技术选型分析,实现了包括医院信息系统HIS、检验LIS、医学影像PACS、电子病历EMR等全量或者增量数据的共享。验证了该平台的可行性,并为其它地区建设超融合架构的电子病历信息共享平台提供了一些实践资料。
章枫叶欣[7](2021)在《基于标记分布学习的自闭症辅助诊断新方法》文中提出自闭症谱系障碍(Autism spectrum disorder,ASD)是一种常见的脑部疾病,近年来,随着计算机技术和医学影像分析技术的发展,使用静息态脑功能核磁共振(Resting-state Functional Magnetic Resonance Imaging,rs-fMRI)诊断自闭症成为研究的热门。这是因为rs-fMRI可以在无创的情况下,通过血氧依赖水平(Blood Oxygenation Level Dependent Contrast,BOLD)有效地反应患者脑部的功能性变化,通过rs-fMRI的医学影像分析,我们可以通过一种非侵入式且主观性较小的方式来诊断自闭症。目前,自闭症辅助诊断存在三个问题:数据集存在标记噪声;数据高维度且类不平衡;现有的自闭症辅助诊断多是二分类方法,没有实现ASD及其若干子类的区分。为此,我们引入了标记分布学习(Label distribution learning,LDL),通过标记分布学习本身的分类器特性解决标记噪声问题并实现多分类任务,同时引入一些特有的机制来应该对数据的高维度以及类不平衡,最终实现自闭症的辅助诊断。但是使用LDL对ASD进行辅助诊断,仍然存在以下两个问题需要解决:一是标记分布学习只解决了标记噪声和多分类问题,需要引进别的方法解决类不平衡问题;二是需要在标记分布学习的基础上,针对数据集的特点做出一些创新,提高分类器的正确率和鲁棒性。本文针对自闭症的医学影像数据特点提出了两个基于标记分布学习的自闭症辅助诊断新方法,较之于已有的自闭症检测研究方法,所提出的算法在准确率和鲁棒性上都有所提高。本文提出的两个主要工作具体内容总结如下:1)第一个工作是提出了代价敏感的标记分布支持向量回归学习(Cost Sensitive Label Distribution Support Vector Regression,CSLDSVR),该算法首先使用DPARSFA(Data Processing Assistant for Resting-State Advanced edition)工具处理rs-fMRI图像,提取脑部的平均时间序列,在计算皮尔逊相关系数,得到脑功能连接;然后在构造标记分布支持向量回归的分类器,并在分类器中加入代价敏感机制。实验表明,新的方法提高了对自闭症的诊断正确率,并且与传统的标记分布学习方法相比,新的方法克服了多数类和少数类对结果的影响,可以有效的解决ASD诊断中的不平衡数据问题,提高了对少数类的诊断正确率。2)第二个工作是提出了融合类共享及类独有特征的标记分布学习(Label Distribution Learning with Class-Shared and Class-Specific Constraints,LDL-CSCS),算法首先使用DPARSFA工具处理rs-fMRI图像,提取脑部的平均时间序列,在计算皮尔逊相关系数,得到脑功能连接;然后引入了合成少数类过采样技术(Synthetic Minority Over-sampling Technique,SMOTE),生成辅助训练的少数类样本,克服类不平衡问题;最后构造了融合类共享及类独有特征的标记分布学习分类器,在标记分布学习的基础上,融合了类共享及类独有特征,通过不同类之间的共通特征和每个类别的独有特征来提高分类器的鉴别能力。实验表明,新的方法预测的标记分布和真实分布更为接近,且标准差也较为平缓,这说明模型比之传统的标记分布学习的鲁棒性更佳,同时,诊断正确率也得到了提升。
龙瀛[8](2021)在《基于医学影像的分级存储管理系统设计与实现》文中提出随着信息技术的发展,更快更好的信息化服务开始在各行业领域中发挥出更为显着的作用。对于大家所共同关注的医疗领域,服务信息化亦是必然的发展趋势。信息化进程的加速与医疗场景下数据激增所带来的问题两者之间需要依靠合理的技术手段进行平衡。在医疗行业,医学影像数据占比最为庞大,在硬件设备更新换代和技术升级的同时,也将带来更加复杂的数据存储模式,更加多样的数字传输方式以及更加难以沟通的信息孤岛。对于大型医院来说,医学影像文件有数据量大,保存时间长的特点。而目前国内的大部分医院对医学影像的传统存储模式大都对拓展性有着诸多限制,面对复杂的网络存储环境,其访问性能和可用性难以得到充分保障,进行设备升级所带来的成本负担也较高。对于医疗服务云平台而言,这为进行院内外信息共享,提供远程诊断服务与业内专家会诊都带来了不便。现有存储策略不科学导致的存储成本的激增,需要新的存储解决方案。承接上层医疗服务云平台系统,论文重点研究了医学影像存储管理过程所面临的的数据分级、数据迁移、统一调度等关键问题并给出解决方案,将医学影像的存储方案设计为“在线”-“近线”二级存储模式,提出了基于多因子综合反馈的价值评定模型,设计并实现了基于医学影像的分级存储管理系统。本论文从系统的需求分析、系统的设计与实现、系统的测试等几个维度来展开详尽说明。主要内容有:以信息生命周期管理技术为依据,以影像产生时间、近期访问频次、存储设备负载为主要粒度,进行数据区分,以提出的数据价值评定模型为标准设置策略实现医学影像数据在两级存储方式间的自动迁移,将不同热度的数据文件存储在不同级别的存储引擎之中,达到控制存储成本的目的;系统承接上层医疗云服务平台,完成医学影像分级存储管理的相关功能,为使用者提供统一的数据访问接口。同时针对数据分级存储与迁移可能带来的数据管理、数据完整性、安全性问题,提出合理解决思路。
宋世豪[9](2021)在《医学影像脱敏系统的设计与实现》文中认为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。
戴思颖[10](2021)在《基于多网络融合的医疗影像报告生成方法》文中研究表明如今不同科学技术发展迅速,在当前时代背景下医疗影像技术也有了飞速的进展,医疗影像在临床诊疗、教研科学等方面具有重要的作用,分析解读医疗影像同时书写对应的报告是当前诊疗过程中不可缺少的步骤。医疗影像的分析和解读是一项具有挑战性的工作,医生有可能会因为劳累或缺乏足够的经验而出现错误分析,造成疾病漏诊误诊的问题,导致病人错过最佳治疗时机;而对经验充足的医生而言,这是一项费时又枯燥的工作,且造成了医疗资源的浪费。在此形势下,基于计算机辅助的医疗影像报告生成技术成为时代的需求。应用人工智能技术进行医疗影像报告生成的研究还处于起步阶段,目前只局限于放射性影像报告的生成,还未出现针对其他医疗影像报告生成技术的研究。本论文提出了一种医疗影像报告自动生成方法,主要工作内容包括以下几点:(1)针对海量医疗影像数据相似度高的问题,提出基于多网络融合的医疗影像分析方法,采用多深度神经网络融合的方式对医疗影像的病理信息进行抽取,提升模型抽取影像各类特征信息的能力,以实现对医疗影像的精确分析。(2)针对影像报告中不同组成部分文本特性不同的问题,采用不同的网络模型进行报告生成,其中疾病诊断依靠疾病自动检测模型实现,而描述报告生成则通过文本生成模型获取,保证不同部分报告的准确性。(3)充分利用不同医疗信息间的相互联系,基于此提出双分支网络结构,并针对具体应用细化出面向高相似度病症区分和疾病自动检测的不同网络模型,将医疗信息的因果联系应用于模型训练中,提升模型的预测能力。(4)基于编码-解码架构实现描述报告的文本生成,其中文本解码器为长短期记忆网络,通过对比实验选取效果最好的图像编码器,并加入注意力机制,在生成文本的同时关注图像的区域信息,提高文本生成的准确性。(5)结合疾病自动检测和描述报告生成模型,构建一个端到端的医疗影像报告生成框架,实现智能快速的医疗影像报告生成。
二、异构医学影像信息共享的研究与实现(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、异构医学影像信息共享的研究与实现(论文提纲范文)
(3)基于无造影剂MRI图像的肝癌智能诊断方法研究(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 国内外研究现状 |
1.2.1 肝肿瘤的2D分割 |
1.2.2 肝肿瘤的3D分割 |
1.2.3 肝脏多模态图像的融合 |
1.2.4 小样本图像的肝肿瘤分类 |
1.2.5 肝肿瘤的自动检测 |
1.3 课题来源及主要研究内容 |
1.3.1 实验数据及其特点 |
1.3.2 研究内容 |
1.4章节安排 |
第2章 基于Radiomics-guided DUN-GAN的肝肿瘤2D分割方法 |
2.1 问题分析及解决思路 |
2.1.1 问题分析 |
2.1.2 解决思路 |
2.2 分割的国内外研究现状 |
2.3 放射组学指导的生成对抗网络 |
2.3.1 密度U型嵌套分割器 |
2.3.2 放射组学特征指导的鉴别器 |
2.3.3 自适应像素级混合损失函数 |
2.4 实验结果与分析 |
2.4.1 实验数据集及平台 |
2.4.2 实验评估指标 |
2.4.3 Radiomcis-guided DUN-GAN的定性评估结果 |
2.4.4 Radiomics-guied DUN-GAN的定量评估-ROC和 PR曲线 |
2.4.5 Radiomics-guied DUN-GAN的定量评估-Dice系数 |
2.4.6 放射组学特征指导的定性评估 |
2.5 讨论 |
2.5.1 放射组学特征对分割结果的影响 |
2.5.2 不同特征指导下模型的性能对比 |
2.5.3 不同损失函数的对比 |
2.5.4 与其他分割方法的对比 |
2.6 本章小结 |
第3章 基于多模态的TsA-3DNet的肿瘤3D分割和多指标量化方法 |
3.1 问题分析及解决思路 |
3.1.1 问题分析 |
3.1.2 解决思路 |
3.2 融合和分割的国内外研究现状 |
3.3 双流相关3DNet |
3.3.1 精炼模块连接的体积分割 |
3.3.2 多指标量化 |
3.3.3 双流处理通道(TsAC) |
3.3.4 TsAC的多功能 |
3.3.5 多任务联合损失函数 |
3.4 实验结果和分析 |
3.4.1 实验数据集及平台 |
3.4.2 实验评估指标 |
3.4.3 数据的预处理 |
3.4.4 TsA-3DNet网络分割性能的定性评估 |
3.4.5 TsA-3DNet网络分割性能的定量评估 |
3.4.6 TsA-3DNet网络量化性能的定量评估 |
3.4.7 TsA-3DNet网络特征图的可视化 |
3.5 实验讨论 |
3.5.1 多视角融合机制对分割性能的影响 |
3.5.2 多视角融合机制对量化性能的影响 |
3.5.3 双向指导机制对分割性能的影响 |
3.5.4 双向指导机制对量化性能的影响 |
3.5.5 与其他分割方法的对比 |
3.6 本章小结 |
第4章 基于数据增强的Dg-GAN肝肿瘤分类方法 |
4.1 问题分析及解决思路 |
4.1.1 问题分析 |
4.1.2 解决思路 |
4.2 合成和分类的国内外研究现状 |
4.3 细节指导的生成对抗网络 |
4.3.1 多尺度上下文感知的生成器 |
4.3.2 基于VGG的鉴别器 |
4.3.3 细节指导的分类器 |
4.3.4 联合的损失函数 |
4.4 实验结果和分析 |
4.4.1 实验数据集及平台 |
4.4.2 实验评估指标 |
4.4.3 数据的预处理 |
4.4.4 Dg-GAN网络分类性能的定性分析 |
4.4.5 Dg-GAN网络合成性能的定性分析 |
4.4.6 Dg-GAN网络合成性能的定量分析 |
4.5 实验讨论 |
4.5.1 不同扩充方法对分类性能的影响 |
4.5.2 不同损失函数对分类性能的影响 |
4.5.3 不同鉴别器对分类性能的影响 |
4.5.4 与其他分类方法的对比 |
4.5.5 与其他合成方法的对比 |
4.6 本章小结 |
第5章 基于联合对抗学习的肝肿瘤辅助诊断方法 |
5.1 问题分析及解决思路 |
5.1.1 问题分析 |
5.1.2 解决思路 |
5.2 分割和检测的国内外研究现状 |
5.2.1 肝肿瘤检测的深度学习 |
5.2.2 肝肿瘤检测的临床研究 |
5.3 联合生成对抗网络 |
5.3.1 边缘差异特征金字塔模块 |
5.3.2 多模态特征融合和选择 |
5.3.3 带填充的坐标共享 |
5.3.4 多相放射组学指导的鉴别器 |
5.3.5 UAL的约束策略 |
5.4 实验结果和分析 |
5.4.1 实验数据集及平台 |
5.4.2 实验评估指标 |
5.4.3 UAL的整体性能 |
5.4.4 UAL网络的定量评估 |
5.5 实验讨论 |
5.5.1 EDFPM对性能的影响 |
5.5.2 FSC对性能的影响 |
5.5.3 CSWP对性能的影响 |
5.5.4 MPRG-D对性能的影响 |
5.5.5 多模态数据的定性评估 |
5.5.6 不同模态的无造影剂图像对UAL的影响 |
5.5.7 不同模态的造影剂增强图像对UAL的影响 |
5.5.8 不同模型的参数量对比 |
5.6 结论 |
第6章 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
(4)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 |
(5)智能3D可视化数字病人平台构建研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 课题背景与研究意义 |
1.1.1 医疗大数据的特点与来源 |
1.1.2 医疗大数据在存储共享方面的问题 |
1.1.3 本文课题研究意义 |
1.2 医疗数据平台国内外研究现状 |
1.3 可视化数字病人系统研究 |
1.3.1 可视化数字病人系统 |
1.3.2 可视化数字病人信息处理单元系统不足之处 |
1.4 本论文研究内容和组织结构 |
第2章 智能3D可视化数字病人平台构建分析 |
2.1 智能3D可视化数字病人平台概念 |
2.2 智能3D可视化数字病人平台需求分析 |
2.3 平台构建基础设施分析 |
2.3.1 大数据存储服务架构 |
2.3.2 文字报告数据存储数据库选择 |
2.3.3 大数据处理框架 |
2.3.4 部署环境 |
2.4 本章小结 |
第3章 病人关键医疗信息提取方法研究 |
3.1 医疗关键信息的定义 |
3.1.1 医疗信息种类 |
3.1.2 医疗关键信息定义 |
3.2 自由文本医疗信息的提取技术分析 |
3.2.1 在病理报告中的应用 |
3.2.2 在RIS报告中的应用 |
3.3 在电子病历中的尝试 |
3.4 本章小结 |
第4章 智能3D可视化数字病人平台设计 |
4.1 智能3D可视化数字病人平台设计 |
4.1.1 设计原则 |
4.1.2 总体设计 |
4.1.3 工作流程 |
4.1.4 输入输出数据模型设计 |
4.1.5 数据库的设计 |
4.2 多源数据并行采集子系统实现 |
4.3 医疗数据处理子系统实现 |
4.4 智能3D可视化数字病人平台物理架构设计 |
4.4.1 HDFS物理集群搭建 |
4.4.2 Kubernetes与 Flink、PostgreSQL集群搭建 |
4.5 本章小结 |
第5章 智能3D可视化数字病人平台集成与测试 |
5.1 与智能3D可视化数字病人显示系统集成方案 |
5.2 与肺结节智能检测系统的集成方案 |
5.3 智能3D可视化数字病人平台测试环境介绍 |
5.4 智能3D可视化数字病人平台测试评估 |
5.4.1 数据采集传输测试 |
5.4.2 病人病理、放射报告文本关键信息提取准确率测试 |
5.5 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 |
(6)基于超融合架构的电子病历信息共享平台研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
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 国外研究现状 |
1.2.2 国内研究现状 |
1.3 研究内容和方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 研究思路 |
1.5 本章小结 |
2 相关理论及关键技术 |
2.1 电子病历 |
2.1.1 电子病历发展 |
2.1.2 电子病历特点 |
2.1.3 电子病历信息共享支撑 |
2.2 超融合云计算平台关键技术 |
2.2.1 虚拟化技术 |
2.2.2 分布式存储 |
2.2.3 集中式管理平台 |
2.2.4 微分段防火墙 |
2.3 医疗联合体理论 |
2.3.1 医疗联合体 |
2.3.2 医疗联合体服务模式 |
2.3.3 医疗联合体信息共享模式 |
2.4 本章小结 |
3 电子病历信息共享平台分析 |
3.1 医联体信息共享平台现状及其问题分析 |
3.1.1 专科联盟信息共享平台模式现状 |
3.1.2 专科联盟信息共享平台存在的问题 |
3.1.3 专科联盟信息共享平台问题成因分析 |
3.2 数据中心的架构分析 |
3.2.1 传统架构的数据中心 |
3.2.2 软件定义的数据中心 |
3.3 电子病历信息共享平台需求分析 |
3.3.1 平台模式需求 |
3.3.2 业务架构需求 |
3.3.3 数据处理流程需求 |
3.4 电子病历信息共享平台关键技术分析 |
3.4.1 异构数据集成技术选型 |
3.4.2 分布式存储技术选型 |
3.4.3 数据库存储技术选型 |
3.4.4 二次数据挖掘技术选型 |
3.5 本章小结 |
4 基于超融合架构的电子病历信息共享平台设计 |
4.1 医联体信息共享平台总体设计 |
4.1.1 平台模型设计 |
4.1.2 网络架构设计 |
4.2 医联体信息共享平台改进设计 |
4.2.1 异构数据共享设计 |
4.2.2 数据融合脚本设计 |
4.2.3 外部数据存储设计 |
4.3 超融合架构电子病历信息共享平台设计 |
4.3.1 基础设施层设计 |
4.3.2 软件层设计 |
4.3.3 中间层设计 |
4.3.4 一致性算法设计 |
4.4 本章小结 |
5 基于超融合架构的电子病历信息共享平台实现 |
5.1 超融合云计算平台环境搭建 |
5.1.1 开发环境及工具 |
5.1.2 超融合云计算集群组建 |
5.2 电子病历信息共享平台实现 |
5.3 超融合架构电子病历信息共享平台验证 |
5.3.1 传统架构与超融合架构性能对比 |
5.3.2 电子病历信息共享平台验证 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 A 测试代码 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(7)基于标记分布学习的自闭症辅助诊断新方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 ASD辅助诊断的研究现状及面临的挑战 |
1.3 本文主要研究内容 |
1.4 本文组织结构 |
第二章 ASD检测的理论基础和相关工作 |
2.1 ASD检测的理论基础 |
2.1.1 静息态核共振成像 |
2.1.2 rs-fMRI数据预处理 |
2.1.3 脑功能连接网络 |
2.1.4 基于脑功能网络的自闭症检测 |
2.2 标记分布学习与标记噪声 |
2.2.1 标记噪声 |
2.2.2 标记分布学习 |
2.2.3 标记分布学习与标记增强 |
2.2.4 标记分布学习算法流程图 |
2.3 类不平衡的解决方法 |
2.3.1 基于样本的解决方法 |
2.3.2 基于代价敏感的解决方法 |
2.4 本章小结 |
第三章 代价敏感的标记分布支持向量回归学习 |
3.1 引言 |
3.2 代价敏感的标记分布支持向量回归学习 |
3.2.1 符号表示 |
3.2.2 方法流程 |
3.2.3 标记增强 |
3.2.4 代价敏感的标记分布支持向量回归学习 |
3.3 实验结果和分析 |
3.3.1 数据集 |
3.3.2 特征向量提取 |
3.3.3 评估指标 |
3.3.4 标记分布算法对比 |
3.3.5 多分类算法对比 |
3.3.6 参数敏感性分析 |
3.4 本章小结 |
第四章 融合类共享及类独有特征的标记分布学习 |
4.1 引言 |
4.2 融合类共享及类独有特征的标记分布学习 |
4.2.1 符号定义及算法框架 |
4.2.2 合成少数类过采样技术 |
4.2.3 融合类共享及类独有特征的标记分布学习 |
4.3 实验结果和分析 |
4.3.1 数据集 |
4.3.2 评估指标 |
4.3.3 对比算法介绍及参数范围设置 |
4.3.4 实验结果与分析 |
4.3.5 参数敏感性分析 |
4.3.6 收敛性分析 |
4.3.7 最具鉴别力的脑功能连接 |
4.4 本章小结 |
主要结论与展望 |
主要结论 |
展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
(8)基于医学影像的分级存储管理系统设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景和研究现状 |
1.2 主要内容及组织结构 |
第二章 相关技术 |
2.1 云存储相关技术 |
2.1.1 块存储 |
2.1.2 文件存储 |
2.1.3 对象存储 |
2.2 分布式文件系统 |
2.3 分级存储管理技术 |
2.3.1 信息生命周期管理 |
2.3.2 数据分级存储 |
2.4 DICOM医学数字成像和通信标准 |
2.5 本章小结 |
第三章 系统需求分析 |
3.1 医学影像分级存储管理系统概述 |
3.1.1 系统环境及应用位置 |
3.1.2 影像数据存储与访问场景分析 |
3.1.3 系统功能概述 |
3.1.4 系统用例分析 |
3.2 基于医学影像的分级存储管理系统核心功能需求 |
3.2.1 数据访问功能需求分析 |
3.2.2 存储管理功能需求分析 |
3.2.3 数据迁移管理功能需求分析 |
3.2.4 操作日志功能需求分析 |
3.3 系统非功能性需求 |
3.3.1 数据存储需求 |
3.3.2 系统响应速度和并发量 |
3.3.3 数据一致性 |
3.4 本章小结 |
第四章 数据分级中的数据价值评定模型 |
4.1 总体研究目标 |
4.2 数据分级与迁移策略 |
4.2.1 基于访问热度的数据替换策略 |
4.2.2 基于存储空间的数据迁移策略 |
4.2.3 基于信息生命周期的价值评定策略 |
4.3 基于多因子综合反馈的数据价值评定模型与算法 |
4.3.1 问题分析与引入 |
4.3.2 价值评定要素分析 |
4.3.3 影响因子提取与计算方法 |
4.3.4 模型评价 |
4.4 本章小结 |
第五章 系统概要设计 |
5.1 系统层次结构设计 |
5.2 系统静态结构设计 |
5.3 系统动态结构设计 |
5.3.1 数据访问流程 |
5.3.2 数据迁移流程 |
5.3.3 存储管理 |
5.4 系统数据结构设计 |
5.4.1 系统数据流向分析 |
5.4.2 数据关键数据表设计 |
5.5 数据迁移中的关键问题 |
5.5.1 数据迁移粒度分析 |
5.5.2 数据迁移中的访问控制 |
5.5.3 数据完整性校验 |
5.5.4 数据传输协议设计 |
5.6 本章小结 |
第六章 系统详细设计与实现 |
6.1 系统开发环境与框架结构 |
6.1.1 开发环境及语言 |
6.1.2 系统的框架结构 |
6.2 统一数据访问--独立WEB前端详细设计与实现 |
6.2.1 用户交互层详细设计与实现 |
6.2.2 核心类设计 |
6.2.3 关键页面展示 |
6.3 统一数据访问--编程API接口详细设计与实现 |
6.3.1 接口API格式设计 |
6.3.2 接口API调用实例 |
6.4 数据迁移管理模块详细设计与实现 |
6.4.1 数据价值评定算法 |
6.4.2 核心类设计 |
6.4.3 关键页面展示 |
6.5 存储管理模块详细设计与实现 |
6.5.1 统一消息控制 |
6.5.2 系统状态监控 |
6.5.3 节点间文件传输 |
6.6 本章小结 |
第七章 基于医学影像的分级存储管理系统测试 |
7.1 系统测试环境 |
7.2 系统功能测试 |
7.2.1 单元测试 |
7.2.2 集成测试 |
7.3 系统测试 |
7.3.1 系统性能测试 |
7.3.2 数据迁移对性能的影响测试 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 论文工作总结 |
8.2 进一步工作展望 |
参考文献 |
致谢 |
(9)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 |
(10)基于多网络融合的医疗影像报告生成方法(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
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 疾病自动检测方法的国内外研究现状 |
1.2.2 影像报告生成方法的国内外研究现状 |
1.3 研究内容 |
1.4 研究技术路线 |
1.5 论文的组织架构 |
第二章 相关理论及技术介绍 |
2.1 引言 |
2.2 疾病自动检测技术 |
2.2.1 深度学习 |
2.2.2 卷积神经网络 |
2.3 影像报告生成技术 |
2.3.1 中文分词 |
2.3.2 循环神经网络 |
2.3.3 长短期记忆网络 |
2.3.4 编码-解码框架 |
2.3.5 注意力机制 |
2.4 医疗影像报告生成系统 |
2.4.1 Web应用框架Django |
2.5 本章小结 |
第三章 多网络融合的医疗影像分析技术 |
3.1 引言 |
3.2 医疗影像数据预处理 |
3.2.1 影像尺寸调整 |
3.2.2 数据集增强 |
3.2.3 数据标注 |
3.3 基于单网络的医疗影像信息抽取 |
3.4 多网络融合的医疗影像信息抽取 |
3.4.1 实验设计 |
3.4.2 实验结果及分析 |
3.5 本章小结 |
第四章 基于双分支网络的疾病自动检测技术 |
4.1 引言 |
4.2 双分支网络模型设计 |
4.3 基于双分支网络的高相似度病症区分 |
4.3.1 技术背景 |
4.3.2 面向近视检测的双分支网络模型设计 |
4.3.3 损失函数设计 |
4.3.4 实验设计 |
4.3.5 实验结果及分析 |
4.4 基于双分支网络的疾病自动检测 |
4.4.1 面向疾病检测的双分支网络模型设计 |
4.4.2 实验设计 |
4.4.3 实验结果及分析 |
4.5 本章小结 |
第五章 多网络融合的医疗影像报告生成技术 |
5.1 引言 |
5.2 影像报告预处理 |
5.2.1 医疗影像预处理 |
5.2.2 报告文本预处理 |
5.3 多网络融合的描述报告生成 |
5.3.1 基于CNN-RNN的描述报告生成 |
5.3.2 多网络融合的描述报告生成 |
5.4 基于多网络融合的医疗影像报告生成 |
5.5 本章小结 |
第六章 医疗影像报告生成系统设计 |
6.1 医疗影像报告生成系统总体设计 |
6.2 用户管理 |
6.2.1 用户注册 |
6.2.2 用户登录 |
6.3 医疗影像管理 |
6.3.1 图像上传 |
6.3.2 图像删除 |
6.4 影像报告自动生成 |
6.5 本章小结 |
第七章 全文总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
四、异构医学影像信息共享的研究与实现(论文参考文献)
- [1]智能化医养融合服务平台关键技术及应用研究[J]. 初佃辉,吴军,刘志中,涂志莹,胡鑫,李春山,苏欢,夏勇,高希余. 智能系统学报, 2021(05)
- [2]慢性病健康监护系统中间件的设计与实现[D]. 李锦. 重庆邮电大学, 2021
- [3]基于无造影剂MRI图像的肝癌智能诊断方法研究[D]. 肖小娇. 太原理工大学, 2021
- [4]面向医院管理的数据驱动决策研究[D]. 李茵. 吉林大学, 2021(01)
- [5]智能3D可视化数字病人平台构建研究[D]. 高杰诚. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [6]基于超融合架构的电子病历信息共享平台研究[D]. 张彦彬. 北京交通大学, 2021
- [7]基于标记分布学习的自闭症辅助诊断新方法[D]. 章枫叶欣. 江南大学, 2021(01)
- [8]基于医学影像的分级存储管理系统设计与实现[D]. 龙瀛. 北京邮电大学, 2021(01)
- [9]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)
- [10]基于多网络融合的医疗影像报告生成方法[D]. 戴思颖. 电子科技大学, 2021(01)